基于多轴视觉Transformer的医学图像分割方法MaxViT-UNet：融合局部与全局特征的创新架构

为解决医学图像分割中CNN与ViT模型难以兼顾局部与全局特征的问题，研究人员提出混合编码器-解码器架构MaxViT-UNet，通过多轴自注意力机制（Max-SA）和MBConv模块实现高效特征融合。实验显示其在MoNuSeg18和MoNuSAC20数据集上Dice分数分别超越U-Net 2.36%/14.14%，验证了该架构在病理图像分割中的优越性。

　　

医学图像分割是精准医疗的关键技术，尤其在病理诊断中，细胞核分割的精度直接影响疾病分级和治疗方案制定。传统卷积神经网络（CNN）虽能捕捉局部特征，但对长程依赖建模不足；而纯视觉Transformer（ViT）缺乏空间归纳偏置，且计算复杂度高。现有混合模型多聚焦编码器改进，解码器仍依赖卷积操作，导致全局上下文信息流失。针对这一瓶颈，巴基斯坦工程与应用科学研究院（PIEAS）的Abdul Rehman Khan团队提出MaxViT-UNet，成果发表于《Engineering Applications of Artificial Intelligence》。

研究采用三项核心技术：1）多轴自注意力（Max-SA）模块，通过块状（block）和网格（grid）注意力机制实现线性复杂度建模；2）混合解码器设计，逐级融合上采样特征与编码器跳跃连接；3）参数优化策略，重复使用MBConv-Max-SA组合块降低计算负荷。实验选用MoNuSeg18（组织核分割）和MoNuSAC20（多器官核分割）数据集验证性能。

架构设计：MaxViT-UNet包含四级编码器-解码器结构。编码器阶段（S0-S3）通过MBConv提取局部特征，Max-SA捕获跨区域关联；新型混合解码器通过转置卷积上采样后，采用"拼接+MaxViT块"二次优化特征。实验结果：在MoNuSeg18上达到82.14% Dice分数，较U-Net和Swin-UNet提升2.36%与5.31%；在更具挑战的MoNuSAC20上性能接近翻倍。消融实验证实混合解码器使参数量减少37%而精度提升1.8%。

结论：该研究首次将多轴注意力机制系统引入医学图像解码器，突破传统模型对高分辨率特征建模的局限。其创新点在于：1）通过Max-SA实现像素级全局推理与局部细节保留的平衡；2）模块化设计使模型在8GB显存设备即可训练1024×1024图像。这项工作为病理图像分析提供新范式，作者指出未来可扩展至3D医学影像分割领域。