Khan A, Rauf Z, Khan A R, et al. A Recent Survey of Vision Transformers for Medical Image Segmentation[J]. arXiv preprint arXiv:2312.00634, 2023.
【论文概述】
本文是关于医学图像分割中视觉变换器（Vision Transformers，ViTs）的最新综述。文中详细回顾了ViTs及其与卷积神经网络（CNNs）结合形成的混合视觉Transformers（Hybrid Vision Transformers，HVTs）在医学图像分割方面的最新进展。文中讨论了这些技术如何通过模拟图像中的长距离关系来提高诊断、治疗计划和疾病监测的准确性。同时，还探讨了这些方法在不同医学图像模态（如CT、MRI、X射线等）中的实际应用，以及它们面临的挑战和未来的发展方向。
本文中规中矩，对涉及到的方法只是简单陈列，并没有细致的优缺点探讨，可以作为寻找对应方向论文的一个参考，笔记中对涉及到的方法根据之前读文经历进行简单的优缺点归纳。
【本文模型的分类方法】
- 本文首先对基于ViT的医学图像分割方法进行了全面综述，将其分为两大类：基于ViT的方法(ViT-based methods)和混合视觉Transformers的方法(HVT-based methods)。
- 对于基于ViT的方法，进一步将其细分为以下四类：
-
ViT在编码器(encoder)中的应用。
-
ViT在解码器(decoder)中的应用。
-
ViT在编码器-解码器之间(in between encoder-decoder)的应用。
-
编码器和解码器都采用基于ViT的架构(both the encoder and decoder are ViT-based architectures)。
3.对于混合视觉Transformers(HVT)的方法，提出了一个分类法：
-
基于编码器的集成(encoder-based integration)。
-
基于解码器的集成(decoder-based integration)。
【医学图像分割存在的一些挑战】
1.在医学图像中的对象内发现的尺寸范围很广
2.结构轮廓的模糊性，加上它们的不同纹理变化和复杂形状，这很容易产生不准确的结果
3.当将感兴趣的对象与背景隔离时，低强度对比度带来的挑战
4.没有足够的训练数据集
【4.1 ViT-based Medical Image Segmentation Approaches】
这一部分从四个方面探讨了ViTs在医学图像分割中的应用，包括ViT在编码器（Encoder）、解码器（Decoder）、编码器-解码器中的应用，以及ViT在编码器和解码器之间的应用。以下是对这些部分的总结：
-
ViT in Encoder：
- 优点：通过在编码器中使用ViT，模型能有效捕获全局信息和多尺度特征，从而增强特征提取能力。
- 代表模型：例如UNETR（UNet Transformer），利用ViT作为编码器来有效捕获输入体积的多尺度全球信息。
- 缺点：可能会增加模型的计算复杂性和训练难度。
-
ViT in Decoder：
- 优点：将ViT应用于解码器可以提高预测边界精度，并区分背景和兴趣对象。
- 代表模型：如ConvTransSeg，采用CNN编码器和基于ViT的解码器。
- 缺点：解码阶段的全局信息处理可能不如编码阶段有效。
-
ViT in both Encoder-Decoder：
- 优点：在编码器和解码器都使用ViT的架构能全面利用ViT的长距离关注机制。
- 代表模型：例如Swin-Unet和、nnFormer、MISSFormer、TransDeepLab，这些模型在编码器和解码器中都使用ViT结构，以捕获图像的全局和局部特征。
- 缺点：这种方法可能导致更高的计算成本和更复杂的模型结构。
-
ViT in between Encoder-Decoder：
- 优点：此方法通过在编码器和解码器之间引入ViT，可以在局部和全局特征之间建立更有效的连接。
- 代表模型：例如ATTransUNet和DCA（Dual Cross-Attention）、ViT-V-Net，它们在编码器和解码器之间使用ViT，以改善特征融合和上下文建模。
- 缺点：可能需要更复杂的训练策略来优化特征融合。
【4.2. Hybrid ViT-Based Medical Image Segmentation Approaches】
探讨了混合视觉Transformers（Hybrid Vision Transformers, HVTs）在医学图像分割中的应用。这些方法结合了卷积神经网络（CNNs）和视觉变换器（ViTs）的优势，以提高分割性能。以下是对这一部分内容的总结，包括三个主要方面：
-
Hybrid ViT in Encoder：
- 优点：通过在编码器中结合HVT，模型能够同时捕获全局和局部特征，提高特征表示的丰富性。
- 代表模型：例如TransUNet，结合了ViT的全局感知能力和U-Net的局部特征提取能力；TransBTS，结合了ViT和3D CNN，用于处理3D医学体积数据。
- 缺点：混合模型可能会增加模型复杂度，需要更多的计算资源。
-
Hybrid ViT in Decoder：
- 优点：在解码器中应用HVT可以提高分割边界的准确性，特别是在处理复杂的医学图像时。
- 代表模型：例如UNetFormer，结合了3D Swin Transformer和CNN，以及基于变换器的解码器。
- 缺点：这种方法可能导致解码阶段的计算负担加重。
-
Hybrid ViT in both Encoder-Decoder：
- 优点：在编码器和解码器中都使用HVT可以充分利用ViT和CNN的优势，实现全面的特征提取和细节捕获。
- 代表模型：例如MaxViT-UNet、SwinBTS，利用3D Swin Transformer和卷积操作来学习局部和全局级别的特征。
- 缺点：这种结构可能导致模型过于复杂，难以训练和优化。
【5. ViT-based Medical Image Segmentation Applications】
作者详细讨论了基于视觉Transformers（Vision Transformers, ViTs）的医学图像分割应用，覆盖了从CT图像到X射线图像的多种医学成像方式。以下是对这一部分内容的概括总结：
- CT图像（CT Images）：
- 应用了ViT的方法能有效地处理CT图像，提高了病灶检测的准确性。
- 代表模型：如TransBTS，利用ViT与3D CNN相结合，以处理3D CT数据。
- 病理学图像（Histopathological Images）：
- 在病理学图像分析中，ViT有助于细胞结构的精准分割和识别。
- 代表模型：如TransPath，它将ViT与传统的CNN技术结合，以提高细胞和组织的分割效果。
- 显微镜图像（Microscopy Images）：
- ViT在处理显微镜图像时展现了提高分割准确性的潜力，特别是在复杂的细胞结构分割方面。
- 代表模型：例如使用ViT的各种混合方法，它们结合CNN的局部特征识别能力和ViT的全局信息处理能力。
- MRI图像（MRI Images）：
- ViT在MRI图像分割中特别有效，能够处理复杂的脑部结构。
- 代表模型：如Swin UNETR和TransBTS，它们在处理脑肿瘤分割等高复杂度任务中表现出色。
- 超声图像（Ultrasound Images）：
- ViT在超声图像分割中有助于提高边界检测的准确性，特别是在不规则形状的肿瘤识别方面。
- 代表模型：例如结合ViT和CNN技术的混合模型，用于提高超声图像中特定组织或病变的识别能力。
- X射线图像（X-Ray Images）：
- ViT在X射线图像分割中表现出对细节的高敏感性，特别是在骨骼和其他硬组织的分割方面。
- 代表模型：如结合CNN和ViT的模型，用于提高诸如肺部疾病识别和骨折检测的准确性。
