摘要
在医学语义分割中，卷积操作的固有局部性，导致U型网络在建模长期依赖方面显示出局限性。transformer被设计用于序列到序列的预测，由于其固有的全局注意力机制，使其可作为可选网络结构。但transformer低级细节不足，可能导致本地化能力有限。
本文提出TransUNet，比transformer和Unet都要好，可作为医学图像分割的替代方案。transformer从cnn的特征图编码图像块，作为输入序列，用于提取全局特征。解码器上采样编码特征，与高分辨率CNN特征结合，进行精确定位。
代码已开源：https://github.com/Beckschen/TransUNet
方法
transformer作为编码器
-
图像序列化
与【4】相同，首先进行切分，将输入x变为平面的2维patch序列，每个patch大小PxP，数量N=(HW)/P2,即序列长度。
-
patch嵌入
使用可训练线性投影，将向量化的patch Xp映射到潜在的d维嵌入空间.
为编码patch空间信息，学习特定的位置嵌入，与patch嵌入相加，保留位置信息
E是Patch嵌入投影，Epos代表位置嵌入
transformer编码器由L层多头自注意力（MSA）和多层感知机块(MLP)组成，所以第l层的输出为：
LN代表层归一化，ZL是编码的图像表征，transformer层的结构如图1(a)所示。
TransUNet
利用一个混合了CNN-Transformer结构作为编码器，并且用一个级联的上采样器保证精确预测。
-
CNN-transformer混合作为编码器
CNN首先用于特征提取器产生一个特征图，作为输出。
patch嵌入应用到（CNN的）特征图对应的1x1的patches上，而不是原图。
-
级联的上采样器（CUP)
包含多个上采样步骤，以解码输入特征，用于输出最后的分割掩码。
在将隐藏特征序列
变为H/P x H/P x D，我们通过级联多个上采样块来实现从H/P × W/P到H×W的全分辨率，每个块依次由一个2×上采样算子、3×3卷积层和ReLU层组成。
我们可以看到，CUP和混合编码器形成了一个u型架构，通过跳过连接，可以在不同的分辨率级别上实现特征聚合。CUP的详细结构以及中间的跳跃连接如图1(b).
实验和讨论
实现细节：
简单数据增强：随机旋转和翻转
ViT:12层transformer层；
R50-ViT:ResNet-50和ViT
输入：224x224，patch为16x16
4个上采样块
