递归Transformer增强型U-Net：多尺度医学图像分割的创新架构

为解决U-Net在复杂医学图像分割中长程依赖建模不足的问题，研究人员提出递归Transformer增强型U-Net（ReT-UNet），集成多尺度全局特征融合模块（Multi-GF）、递归特征累积块（Re-FA）和轻量级ASPP模块。实验表明，该模型在心脏、肺结节和息肉分割任务中显著减少误分割区域，为精准医疗提供新工具。

　　

医学图像分割是辅助临床诊断的关键技术，但传统U-Net在复杂纹理图像中难以捕捉长程依赖关系，导致细小结构分割精度不足。针对这一挑战，山东大学等机构的研究团队在《Computers in Biology and Medicine》发表研究，提出递归Transformer增强型U-Net（ReT-UNet），通过融合Transformer的全局建模能力与CNN的局部特征提取优势，显著提升多尺度医学图像分割性能。

研究采用三项核心技术：1）多尺度全局特征融合模块（Multi-GF）结合Transformer自注意力与多核池化；2）递归特征累积块（Re-FA）实现跨层特征迭代更新；3）轻量级空洞空间金字塔池化（ASPP）模块增强局部细节捕捉。实验数据来自心脏MRI、肺结节CT和息肉内镜图像数据集。

【Multi-head self-attention机制】
通过多头自注意力（MSA）机制，模型在编码阶段建立像素级长程关联，解决传统卷积感受野受限问题。

【Proposed method】
ReT-UNet架构创新性引入：1）Multi-GF模块采用并行Transformer分支与多核池化（kernel sizes=3/5/7）的混合设计；2）Re-FA块通过递归计算更新特征图，每轮迭代融合浅层细节与深层语义；3）分割头集成全局最大池化与跳跃连接，保留高分辨率信息。

【Experimental results】
在心脏分割任务中Dice系数提升2.3%，肺结节分割的假阳性率降低18.7%。消融实验证实Multi-GF模块对10mm以上病灶的边界识别贡献率达41%。

【Conclusion】
该研究突破性地将递归学习与Transformer结合，其创新点在于：1）Multi-GF模块实现多尺度特征同步建模；2）Re-FA块通过参数共享机制降低计算复杂度；3）轻量级ASPP在保持精度的同时减少35%参数量。这种混合架构为小样本医学图像分析提供新范式，尤其适用于需要兼顾全局结构与局部细节的临床应用场景。