BAFormer:基于Transformer的增强边界感知医学图像分割模型

摘要

针对医学图像分割中组织结构边界模糊及区域不确定性的固有挑战，提出一种基于Transformer的增强边界感知模型(boundary-aware Transformer, BAFormer),通过集成边界学习提升分割精度.在编码阶段，引入Transformer模块以建模长程依赖关系，增强对复杂边界的结构感知能力；同时，加入结合自监督学习的多头自注意力模块(multi-head self-supervised self-attention, MSSA),以精准捕捉远距离像素间的语义关联.在解码阶段，设计了基于图卷积的精细分割网络模块(graph convolution-based fine segmentation network module, GFM),高效整合来自高、低网络层的语义信息，获得更精细的特征表示.训练过程中采用联合损失函数，确保模型有效地沿边界建模，生成更细致的边界线索.实验表明：BAFormer在Synapse多器官数据集上的Dice相似系数达到84.95%,较TransUNet提升约7百分点；在ACDC数据集上，各项指标均有显著提高.这些结果充分验证了BAFormer在医学图像分割任务中的有效性.

关键词

医学图像分割 / Transformer / 边界感知