当前课题：Transformer 在高分辨率病理图像的应用

Notebook Studio | 沉浸式图文反刍画板

知识源 (5 篇)

Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation

2021 VLM 图表已提取

TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation

2021 反刍中...
提取的图表
Fig. 4 视觉大模型 (Llava) 深度解析 Page 7

基于图像特征扫描，该图表展示了 Swin-Unet 与传统 CNN 方法（如原始 U-Net、Att-UNet）在不同医学影像数据集上的 Dice 相似系数（DSC）对比。柱状图清晰表明，在心脏分割（Heart）与肝脏分割（Liver）任务中，引入 Transformer 架构的模型（深蓝色柱体）在边缘细节处理上表现出显著的优越性（提升约 3.2%）。

提取的数据表
Table 1 数据重构与解析 Page 8

数据表消融实验表明，当模型层数（Depth）从 3 增加到 4 时，参数量激增了近 3 倍（达到 27.17M），但平均分割精度（Average DSC）仅提升了 0.4%。AI 推理提示： 这意味着对于轻量级边缘设备，保留 3 层 Transformer 架构是性价比最高的工程选择。

情报提炼卡片

核心痛点

CNN 架构的局限性

传统 U-Net 虽然在医学图像分割中广泛使用，但由于卷积操作的局部性（Locality），难以学习全局语义信息和长距离依赖（Long-range dependencies），导致器官边缘模糊。

方法论创新

纯 Transformer U型架构

首次提出将 Swin Transformer 作为编码器和解码器的基础块，利用移位窗口（Shifted windows）机制计算自注意力，完美融合了局部特征与全局感受野。

您好！我已经阅读了当前画布上的文献并解析了其中的图表。您可以让我总结摘要，或者询问特定的实验参数。