基于Transformer无监督的大脑异常检测与分割

VQ-VAE与Transformer的融合展现出显著优势！该方法采用了Performer模型作为其核心技术模块，并成功实现超越当前最优性能（SOTA）。相较于自动编码器（AE）及其同类网络而言，其性能表现更为出色。

Self-supervised Brain Lesion Localization and Quantification via Transformer-based Segmentation Framework

作者单位：伦敦国王学院, 伦敦大学学院

论文下载链接：https://arxiv.org/abs/2102.11650

在某种程度上表现出极高的异质性的情况下，病理性脑部外观可能只能被理解为一种异常现象；这种异常并非由任何单一的具体病理特征单独决定，而是由于其偏离正常状态而被定义。

在医学成像领域中最为关键的任务是实现对各类异常现象的检测工作。为此而建立起来的正常大脑模型必须在保持紧凑性的同时综合考虑复杂的空间组织关系。从需求层面来看这一目标不仅要求模型具备更强的表现力还需兼顾计算效率与资源占用等多方面指标。相较于现有的候选架构Transfor