方法

• 此篇基於Vit及UNET做醫學影像的語意分割、Vit的部分和原始Vit論文作法一模一樣，且有嘗試將Vit的Output使用單純的BbilinEarly Up Sample輸出N個Channel(CLASS)的分段、但因為Vit的H/P*W/P通常比原始影像的H*W小很多，所以效果不會太好，因此作者提出混合的有线电视新闻网-变压器來補足低级详细信息、利用CNN取出功能地图然後當作Vit的Input，架構上也和UNET一樣使用了跳过连接，並透過網路的方式做UPSAMPLE。

实验

突触多器官分割数据集

• 上半部比較SOTA的模型，下半部做烧蚀研究，None的解码器表示使用一般的双线性上采样，Hausdorff距离是指兩個集合若是要彼此包含的話所需要的最短距離。

ACDC数据集

跳过连接数

输入分辨率

序列长度和补丁大小

模型缩放

• 基本上這篇就是把原始Vit加上UNET架構而已，並沒有太多的改變和實驗，但根據其他論文和此篇論文可以看出在Vit之前加上卷积的效果都還不錯。

参考文献

[arxiv][arxiv]