从U-Net到Transformer：混合模型在医学图像分割中的应用进展
摘要
医学图像分割能够准确快速地提取图像中感兴趣结构，在医学影像诊断、疾病分析、手术规划等领域具有重要应用价值。传统的医学图像分割方法通常依赖于边缘检测、模板匹配技术、统计形状模型、活动轮廓和传统机器学习技术。然而，由于图像存在模糊、噪声、对比度低等问题，传统方法的准确性和鲁棒性受到限制。深度学习方法通过学习数据的不同抽象层次来逐渐提取特征，相较于传统方法具有高精度、自适应性强和可扩展性强等优势。为更好地进行医学图像分割辅助诊断研究，本文综述了卷积神经网络、Transformer以及U-Net和Transformer混合结构在医学图像分割中的应用情况，并对它们进行了综合对比分析。通过可视化结果和图像评估指标，证实了这些模型在医学图像分割中的可行性。最后总结目前研究中存在的问题，并对未来的研究方向进行展望。
引用本文（GB/T 7714）
尹艺晓 Yin Yixiao, 马金刚 Ma Jingang, 张文凯 Zhang Wenkai, 等. 从U-Net到Transformer：混合模型在医学图像分割中的应用进展[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。