EDTNet：一种空间感知的基于注意力的变换器用于肺结节分割

在CT扫描图像中准确分割肺病变对于诊断肺癌至关重要。肺结节诊断的挑战源于其小尺寸和多样性。我们设计了一种基于变换器的模型EDTNet（编码器-解码器变换器网络）用于PNS（肺结节分割）。传统的基于CNN的编码器和解码器由于无法捕捉长距离空间依赖性而受到限制，导致在复杂物体分割任务中的性能不佳。为了解决这一限制，我们利用增强的基于空间注意力的视觉变换器（ViT）作为EDTNet中的编码器和解码器。EDTNet集成了两个连续的变换器块、一个补丁扩展层、降采样层和升采样层，以提高分割能力。此外，添加了ESLA（增强空间感知局部注意力）和EGLA（增强全球感知局部注意力）块，以关注空间特征。此外，引入跳过连接以促进编码器和解码器层之间的对称交互，从而在输出中恢复复杂细节。EDTNet在DS1和DS2上与多个模型进行了比较，包括Unet、ResUNet++、U-NET 3+、DeepLabV3+、SegNet、Trans-Unet和Swin-UNet，展示了优越的定量和视觉结果。在DS1上，EDTNet达到了96.27%、95.81%、96.15%的精度、IoU（交并比）和DSC（Sorensen-Dice系数）。此外，该模型在DS2上展示了98.84%、96.06%和97.85%的灵敏度、IoU和SDC。