直接起飞！Transformer+U-Net，2025依旧炙手可热！

近年来，Transformer与UNet的融合创新掀起医学影像、遥感检测等领域的技术浪潮。AFTer-UNet通过轴向融合机制，将卷积层和变换器的优势相结合，减少了计算复杂度，同时在多器官分割数据集上取得了优异的分割效果。此外，GS-TransUNet通过2D高斯溅射技术与Transformer UNet架构的结合，实现了皮肤病变的精确分类和分割。

这些创新不仅展示了Transformer和UNet在医学图像分割中的强大潜力，还为未来的研究提供了新的方向和思路。我整理了9篇关于【Transformer+UNet】的相关论文，全部论文PDF版，工中号 沃的顶会 回复“TU9”即可领取。

MWG-UNet++：HybridTransformer U-Net Model for Brain Tumor Segmentation in MRI Scans

文章解析 

文章提出MWG-UNet++模型用于脑肿瘤分割，融合U-Net、Transformer和WGAN的优势。

实验验证其性能优越，但存在计算复杂度高等问题，为医学图像分割研究提供了新思路。

创新点 

提出MWG-UNet++模型，将Transformer集成到U-Net框架中，增强了模型捕捉长距离依赖和全局上下文的能力。

利用WGAN进行数据增强，有效解决医学影像数据集有限的问题，提升模型训练效果和泛化能力。

改进U-Net的跳跃连接为残差路径，结合Transformer的自注意力机制，提升了分割性能和训练效率。

研究方法 

构建模型：设计包含生成器和判别器的MWG-UNet++架构，其中RAUNet结合Transformer和U-Net进行脑肿瘤分割。

选择数据集：使用多模态脑肿瘤图像分割基准（BraTS）数据集进行训练和测试。

确定评估指标：采用Dice相似系数等指标评估模型的分割性能。

对比实验：将MWG-UNet++与多种现有方法对比，并进行消融实验验证模型组件的有效性。

研究结论 

MWG-UNet++在脑肿瘤分割任务上表现出色，平均评估指标达到0.8965，优于对比方法。

模型能有效捕捉肿瘤的复杂空间特征，对不同区域的肿瘤分割都有较高精度。

该模型存在计算复杂度高、训练稳定性差和可解释性不足等问题，未来需优化算法、探索半监督学习等改进措施。

SelfReg-UNet：Self-Regularized UNet for Medical Image Segmentation

文章解析 

文章针对Unet在医学图像分割中的问题，提出SelfReg-UNet。

通过分析Unet的特征学习模式，引入语义一致性正则化和内部特征蒸馏，在多个数据集上实验验证了该方法的有效性。

创新点 

揭示Unet中存在的非对称监督和特征冗余问题，为后续模型设计提供新方向。

提出语义一致性正则化和内部特征蒸馏方法，平衡编码器和解码器监督，减少特征冗余。

该方法可即插即用地集成到现有Unet架构中，计算成本低且能提升模型性能。

研究方法 

分析Unet特征：运用GradCAM和相似性分析，探究Unet学习特征中的非对称监督和特征冗余问题。

提出解决方案：设计语义一致性正则化和内部特征蒸馏方法，优化Unet的损失函数。

实验设置：在多个医学图像分割数据集上，对比SelfReg-UNet与其他先进方法。

消融实验：对平衡参数和损失函数进行消融研究，分析各部分对模型性能的影响。

研究结论 

SelfReg-UNet有效提升了标准Unet在多个医学图像分割数据集上的性能，超越了部分先进方法。

非对称监督和特征冗余确实影响Unet性能，所提方法能解决这些问题，优化模型效果。

该研究为Unet设计提供了新思路，未来可基于此探索更多优化方案。