Medical Transformer采用Gated Axial-Attention用于医学图像分割

该方法达到了SOTA水平，并提出了局部-全局训练策略（LoGo），有效提升了性能表现，并且优于Res-UNet、U-Net++等现有网络。代码已正式开源。

Transformer模型在医学领域中采用带有轴向注意力机制的门控进行分割。

• 作者单位：约翰霍普金斯大学及新泽西州立大学
• 该代码位于GitHub上的具体位置是https://github.com/jeya-maria-jose/Medical-Transformer
• 论文下载链接位于arXiv组织上的具体位置是https://arxiv.org/abs/2102.10662

近年来，在医学图像分割领域中，深度卷积神经网络已经得到了广泛应用，并展现了卓越的性能。

然而，在卷积架构内部在ductive bias具有内在性特征因此其无法有效捕捉图像空间中复杂的长距离依赖关系

该研究驱动我们深入研究