UNETR++:DelvingintoEfficientandAccurate3DMedicalImageSegmentation论文链接：https://arxiv.org/abs/2212.04497代码链接：https://github.com/Amshaker/unetr_plus_plus导读这篇论文主要讲述了一种名为UNETR++的3D医学图像分割方法，它提供了高质量的分割结果，并具有高效的参数和计算成本。作者介绍了一种新的有效的配对注意力（EPA）模块，该模块使用一对基于空间和通道注意的相互依赖分支来有效地学习空间和通道方向的区分性特征。实验结果表明，该方法在Synapse、BT

基于monai库。其实我不是很喜欢这种，可扩展性太差了，除非说你想快速在自己的数据集上出结果。但是它的transform可以对3d医学图像增强操作，比torch的transform强一点，因为它的数据增强输入是（x,y,z）h,w,d格式的，我还没有试过单独用它的transform来结合torch训练。前提pipinstallmonai目录结构train.pyfromnets.swin_modelimportGetSwinUnetrimporttorchfromutils.dataloaderdimportGetDataLoaderfrommonai.lossesimportDiceCELos

摘要卷积神经网络因为其卷积核的固有属性，其在远程建模方面存在着较大的问题。这可能导致对可变大小的肿瘤进行分割时存在不足。另一方面，Transformer在多个领域在捕获远程依赖信息方面表现出了出色的能力。本文提出了一个新的分割模型,称为SwinUNETR，具体来说，3D脑肿瘤语义分割被重新定义为一个序列到序列的预测问题，其中多模态输入数据被投影到一个1D嵌入序列当中，并用作分层SwinTransformer的输入作为编码器。SwinTransformer编码器利用移位窗口计算自注意力，以5种不同分辨率提取特征，并通过跳跃连接在每个分辨率上连接到基于FCNN的解码器。在本文中提出的网络称为Swi

UNETR:Transformersfor3DMedicalImageSegmentationUNETR：用于三维医学图像分割的TransformerPublished:Oct2021Publishedin:IEEEWinterConferenceonApplicationsofComputerVision(WACV)2022论文：https://arxiv.org/abs/2103.10504代码：https://monai.io/research/unetr摘要：  过去十年以来，具有收缩路径和扩展路径（编码器和解码器）的全卷积神经网络（FCNNs）在各种医学图像分割应用中表现突出。在这些

UNETR:Transformersfor3DMedicalImageSegmentationUNETR：用于三维医学图像分割的TransformerPublished:Oct2021Publishedin:IEEEWinterConferenceonApplicationsofComputerVision(WACV)2022论文：https://arxiv.org/abs/2103.10504代码：https://monai.io/research/unetr摘要：  过去十年以来，具有收缩路径和扩展路径（编码器和解码器）的全卷积神经网络（FCNNs）在各种医学图像分割应用中表现突出。在这些