DA-TransUNet: интеграция пространственного и канального двойного внимания с Transformer U-Net для сегментации медицинских изображений

Точная сегментация медицинских изображений имеет решающее значение для количественной оценки заболеваний и оценки лечения. Хотя традиционные архитектуры U-Net и их варианты с интегрированными трансформерами демонстрируют высокую эффективность в автоматизированных задачах сегментации, существующие модели испытывают трудности с эффективностью параметров и вычислительной сложностью, часто из‑за широкого использования трансформеров, и не всегда способны полноценно использовать встроенные позиционные и канальные признаки изображения. Исследования, применяющие механизмы двойного внимания по положению и каналу, не были специально оптимизированы для требований медицинских изображений с высоким уровнем детализации. Для устранения этих проблем в настоящей работе предлагается новая глубокая архитектура для сегментации медицинских изображений DA-TransUNet, которая интегрирует трансформер и блок двойного внимания (DA-Block) в традиционную U-образную структуру. DA-TransUNet адаптирован к высоким требованиям детализации в медицинских изображениях: он оптимизирует промежуточные каналы двойного внимания и использует DA в каждом пропускном соединении (skip connection) для эффективной фильтрации нерелевантной информации. Такая интеграция существенно повышает способность модели к извлечению признаков и, следовательно, улучшает качество сегментации медицинских изображений. DA-TransUNet был проверен в задачах сегментации медицинских изображений и стабильно превосходит современные методы на пяти датасетах. В итоге DA-TransUNet вносит существенный вклад в сегментацию медицинских изображений, укрепляя производительность моделей с точки зрения обработки признаков изображения и способствуя развитию высокоточной автоматизированной диагностики по медицинским изображениям. Код и параметры модели будут опубликованы по адресу https://github.com/SUN-1024/DA-TransUnet.