[Transformer]Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation_swinunet

Swin-UNet：基于纯Transformerde的医学图像分割网络

Abstract

近年来CNN已经成为医学图像分析任务的基础结构，尤其是融合了编解码结构和skip-connection的U型网络广泛应用于各种医学图像分析任务。然而受限于卷积操作的局部性，CNN并不能很好的学习全局信息以及长程语义信息。
本文提出的Swin-UNet,是一个纯基于Transformer搭建的U型网络，可以用于医学图像分割任务。
Swin-UNet取标记后的图像patch作为输入，搭建的U型网络包含编解码结构以及skip-connections，这样可以同时学习局部和全局的语义特征。
尤其，Swin-UNet使用了带有移位窗口（shifted window)的层次Swin-Transformer结构作为编码器来提取上下文信息；对称的设置一个Swin-Transformer作为解码器进行patch的上采样，从而恢复特征图的空间分辨率。
本文中网络深度为四级，即下采样4次后再进行4次上采样恢复分辨率，最终用于多器官分割和心室分割任务，实验结果表明Swin-Transformer结果优于全卷积神经网络和卷积-Transformer混合网络。
目前代码已开源。
Paper
Code

Section I Introduction

得益于深度学习的快速发展，计算机视觉已广泛用于医学图像分析任务。图像分割是医学图像分析领域中的一类中药任务，尤其是精细、鲁棒性强的图像分割算法对计算机辅助诊断（CAD）以及图像辅助临床手术有重要作用。

目前的医学图像分割主要基于全卷积神经网络（FCNN)，其中以U型网络结构最为常用。传统的U型网络，如UNet，是一个对称的编码-解码网络结构，并且包含跨层连接（skip connection).Encoder通过一系列卷积和下采样操作提取不同感受野下的语义特征；Decoder通过上采样操作将提取到的特征图恢复到原始分辨率，进行像素级别的密集预测；Skip-connection则负责将同层的encoder提取的信息与decoder进行融合，从而减少因为下采样操作导致的空间信息丢失问题。通过精巧的结构设计，UNet已经在诸多医学图像任务中取得优异的效果，也有一系列UNet变体，如3D UNet,Res-UNet,UNet++,UNet3+等用于不同的医学任务或处理不同模态的医学图像。这些FCNN网络在心室分割、器官分割任务中展示出优异的性能，充分证明了CNN具有较强的特征识别能力。


虽然上述CNN模型已经取得了优异的性能，但仍然无法满足临床应用的精度。鉴于CNN只能较好的提取局部特征，很难同时学习到全局和长程的语义信息。在这方面，一些研究通过使用空洞卷积、自注意力机制、空间金字塔模型等来进行改善，但仍然无法有效的捕捉长程关联。



受Transformer在NLP领域中的启发，目前研究人员整将Transformer迁移到计算机视觉领域。ViT以平民化hip考生们和图像处理成2D Patch序列并嵌入位置信息后送入Transformer，并且在大规模数据集上预训练后迁移至其他视觉任务，取得了与CNN模型相媲美的性能。


 除此之外，DeiT还验证了Transformer在中型数据集上训练后，通过知识蒸馏可以使得模型更具鲁棒性。而Swin-Transformer则是在目标检测、图像分类和图像分割任务中均达到了SOTA。以上研究均证明了Transformer应用于视觉任务的巨大潜力。


 
受Swin Transformer启发，本文提出了Swin-UNet.据我们所知这是第一次搭建纯Transformer的U型网络，其Encoder,Decoder及bottlenec部分均基于Swin Transformer模块。
输入图像被处理成互不重叠的patch，每个patch被视为一个token被送入encoder提取特征；随后提取的feature map再经过decoder的patch expanding layer（patch扩展层）恢复分辨率；同样skip connection用于多尺度的特征融合。


 

本文在多器官分割和心室分割任务中均取得了优异的性能，同时展现出较好的泛化能力。本文的工作总结如下：



 

（1）基于Swin Transformer模块，本文搭建了对称的UNeT具有Encoder-Decoder和Skip connection结构，Encoder中self-attention负责学习局部到全局的关联信息，decoder负责将全局特征上采样恢复至原始分辨率进行像素级别的预测；



 

（2）提出的patch expanding layer负责完成上采样操作，替代之前UNet中的反卷积或插值操作；



 

（3）实验发现skip connection同样适用于Transformer。
本文最终将基于纯Transformer搭建的U型网络称之为Swin-UNet.

Section II Related work

CNN-based methods:

早期的医学图像分割主要基于传统的轮廓检测、机器学习方法。随着CNN的发展，UNet因其简洁的结构、良好的性能成为医学图像分割任务中的基础框架，并出现了一系列变体，如Res-UNet,Dense-UNet,UNet++；还提出了一系列针对3D图像的如3D-UNet，V-Net。
基于CNN强大的特征表述能力，基于CNN的方法在医学图像分割领域取得了巨大的成功。

Vision Transformers:


Transformer最初被用于NLP领域的机器翻译任务；ViT则是首个将Transformer用于视觉任务的先驱工作。与CNN系列方法相比，Transformer的缺点在于需要在大型数据集上预训练之后的结果。

Deit则介绍通过一些训练策略可以让ViT仅在中性数据集上预训练就能达到较好效果；此外基于ViT也在一些任务中达到了优异的性能，比如Swin-Transformer就是一种高效的层次化Transformer结构，其核心是shifted windows滑窗机制，在多种视觉任务上达到了SOTA。


本文则尝试将Swin Transformer模块作为基础结构来搭建UNet用来作为医学图像分割领域的benchmark.
Self-attention/Transformer:
近年来许多研究人员将自注意力机制引入CNN来提升网络的性能，比如提出将注意力门加入到U型网络中，但这还是基于CNN的网络模型；最近也有的工作尝试将CNN与Transformer融合，结合两类的特征提取能力用于各种视觉任务并且取得了不错的成果，如多模态的脑肿瘤分割和3D图像分割任务。
本文则是尝试使用纯Transformer来做医学图像分割任务。

Section III Method

Part 1 Architecture overview

Fig 1展示了Swin-UNet的示意图，包含encoder,decoder,skip connection三部分。
基础模块为Swin Transformer.

Encoder：

首先将输入切分成44大小互不重叠的patch，因此patch大小为44*3；随后度输入patch进行线性映射。
随后映射过的token被送入SwinTransformer模块和patch merge layer用来生成不同尺度的特征表述；Swin Transformer block负责学习特征，patch merge layer就负责下采样操作。

Decoder:

Decoder由多个Swin Transformer 模块和patch expanding layer组成，skip connection依旧负责特征融合，弥补原始信息的丢失，patch expanding layer则进行的是上采样操作，将改层feature map扩充至2x分辨率；最后一个patch expanding layer会扩充至4X分辨率；然后通过线性层 进行像素级别的预测。

Part 2 Swin Transformer block

Swin Transformer中的self-attention与传统的MSA结构并不一样，Swin Transformer主要基于shifted window.
Fig 2展示了Swin Transformer模块的结构示意图。

每一个Swin Trabsformer模块包含一个LN层、一个MSA模块、使用残差连接、然后在经过一次LN和2层的MLP，激活函数使用的是GELU。

SW-MAS（Shifted Window based Multi-head Self-Attention）：Swin Transformer中连续的block会依次交替的使用W-MSA和SW-MAS，SW-MSA和W-MSA的不同之处在于会将window进行shift，这样可以让相邻的window之间产生交互。

自注意力依旧参照原始定义进行计算：





Part 3 Encoder

Encoder中，输入的token大小为原始分辨率的1/4，即H/4 * W/4 * C的大小，token被送入两个连续的Swin Transformer模块进行特征提取，这一过程中维度保持不变；在patch merge layer负责下采样将token数目下降到输入的1/2，特征维度变厚为输入的2x。 这一过程会在Encoder中重复3次。

Patch merging layer


输入的patch被分成4部分然后通过patch merging layer层被级联，级联后特征维度变厚4倍，特征分辨率变为原来的1/2，再经过线性层将特征维度变为原来的2倍。

Part 4 Bottelneck

Transformer如果网络层次太深会导致无法收敛的问题，因此在Swin UNet的平静不分，仅使用两个Swin Transformer Block进行特征学习和整合，并不改变特征图谱的维度。

Part 5 Decoder

会对照Encoder的层次 对称的搭建Decoder部分，依旧基于Swin Transformer 模块，但是将patch merging layer替换为patch expanding layer执行上采样操作,patch expanding会将相邻尺寸的特征图reshape到更高分辨率，响应的将特征维度降到原始特征的一半。



Patch expanding layer




以第一个patch expanding 为例，输入特征维度为 （W/32 * H/32 * 8C），因为Encoder经历了3次patch merging，首先特征维度经过bottleneck后会变成（W/32 * H/32 * 16C）；经过reshape操作后特征变薄，分辨率上升，变成（W/16 * H/16 * 4C）。

Part 6 Skip Connection

本文同原始UNet一样，也引入skip connection 以级联的方式来融合多尺度特征。

Section IV Experiments

Part 1 Datasets


Synapse multi-organ segmentation dataset数据集

 采集了30例病例的3779张临川CT图像，training : testing = 18:12.评价指标为DSC（Dice相似系数）和HD（Hausdorf 距离），对CT图像中的多个器官进行评价（主动脉、胆囊、左右肾脏、肝脏、胰腺、脾、胃部）


 Automated cardiac diagnosis challenge dataset ：

 MRI心室分割数据集，训练：验证：测试=70:10:20,需要分割左心室、右心室和心肌，评价指标：DSC

Part 2 Implementation Details

Python 3.6

Pytorch 1.7.0

数据增强：flip rotations


输入图像：224 * 224


 
patch size:4



 
训练卡：V100


 

使用在ImageNet预训练后的结果

Part 3 Experiment Results



 


Synapse:



 


Table 1展示了CT图多器官分割的结果，对比网络有TransUNet,Att-UNet,UNet等。可以看到本文的Swin Unet获得了最佳的DSC和HD指标。
并且与Att-Unet，TransUNet相比，HD指标更低，说明对边缘分割效果更好。


 


Fig 3展示了部分分割结果，可以看到基于CNN的分割方法往往存在过度分割的问题，可能是由于CNN过度关注局部特征导致的。本文实验表明，通过基于Transformer搭建UNet可以更好的同时学习全局特征和语义信息之间的长程关联，从而提升分割效果。


 




ACDC:

Table 2展示了在ACDC数据集上的分割结果，可以看到Swin UNet达到了90%的DSC指标，显示出 SwinUNet超强的泛化性能和鲁棒性。

Part 4 消融实验

为了进一步探究Swin Unet中各部分的作用，本文进行了消融实验。



Up-sampling:



为了探究patch expanding layer的作用，本文将其与双线性插值、转置卷积进行了对比，Table 3展示了对比结果，可以看到使用patch expanding layer的Swin UNet获得了最佳的性能。



Skip connection:



本文还探究了skip connection的数目对性能的影响，分别在不同层级加入skip connection，发现随着skip connection的增多，性能也获得了提升，因此为了增加模型的鲁棒性，本文在所有层次都引入skip connection，对比实验结果参见Table 4.



Input size:

Table 5展示了不同输入尺寸对性能的影响，patch size依旧保持为4，则不同输入大小影响的是序列的长度；可以看出随着输入尺寸的增大，模型精度略有提高，但是整个网络负载也随之增大。因此综合考虑本文依旧采用224大小的输入。

Model Scale:


本文同样探讨了网络层次对性能的影响，对比结果参见Table 6，可以看到进一步增加网络层次几乎无法提升网络性能，但却使得计算成本显著增加。出于性能-网络效率的综合权衡，本文采用tiny版本的Swin UNet进行医学图像分割任务。

Part 5 Discussion

众所周知，Transformer的性能严重依赖于预训练的结果。而本文直接使用在ImageNet上训练后的权重来初始化我们的Swin UNet,这种初始化方案也许不是最优的。因此未来本文还将探索端到端的方法；此外本文的输入图像是二维图像，虽然大多数医学图像是二维的，但本文还将进一步探索Swin UNet在三维医学图像分割中的应用。

Section V Conclusion

本文提出了一种全新的基于纯Transformer搭建的UNet，称之为Swin UNet，其中以Swin Transformer 模块为基本单元用来学习特征和长程语义关联。通过将Swin UNet用于多器官分割和心室分割任务展示了Swin UNet优秀的性能和泛化能力。