CAFCT：卷积神经网络和 Transformer 的上下文和注意力特征融合在肝肿瘤分割中的应用
内容提要
该文综述医学图像分割研究，聚焦肝脏、肝肿瘤和脑肿瘤。方法包括级联全卷积网络、3D条件随机场、全卷积Transformer、CNN与Transformer混合架构、动态变形卷积、自适应互补注意、TransCC、C2FTrans、CNN-DS-AM及RA-UNet等，提升了分割精度与效率，Dice最高超94%，肝肿瘤预测准确率超95.5%。
延伸解读
技术演进：从级联CNN到混合架构
文章梳理了医学图像分割的技术发展脉络：早期采用级联全卷积网络结合3D条件随机场，实现肝脏和病变的自动分割；随后全卷积Transformer被引入，能处理多种数据模态并提取语义依存关系；近期则涌现出CNN与Transformer的混合架构，如动态变形卷积和自适应互补注意模块，旨在兼顾局部细节与全局上下文。这一演进反映了领域对精度与效率的持续追求。
性能表现：Dice与准确率指标
根据文章，不同方法在肝脏、肝肿瘤和脑肿瘤分割任务上取得了显著成果。级联全卷积网络和密集3D条件随机场在CT腹部图像上Dice分数超过94%，每个体积计算时间低于100秒；CNN-DS-AM方法预测肝脏肿瘤的准确率超过95.5%，优于其他先进方法；TransCC在CCTA图像分割中平均Dice为0.730，IoU为0.582。这些指标显示了各方法在特定任务上的有效性。
临床意义：辅助诊断与治疗规划
文章指出，这些分割方法能实现高质量的医学影像分析和临床诊断。例如，CNN-DS-AM被证明可协助放射科医生进行诊断和治疗规划；RA-UNet能精确提取肝脏感兴趣体积并分割肿瘤，在肝肿瘤和脑肿瘤分割任务上均表现良好。这表明自动分割技术有望提升临床工作流程的效率和准确性，但文章未讨论实际部署中的挑战。
Q&A
CAFCT 是什么？它在肝肿瘤分割中有什么作用？
CAFCT 是一种结合卷积神经网络（CNN）和 Transformer 的上下文和注意力特征融合方法，用于肝肿瘤分割。它通过融合 CNN 的局部特征提取能力和 Transformer 的全局上下文建模能力，提升分割精度。
在医学图像分割中，CNN 和 Transformer 混合架构有哪些优势？
混合架构能同时利用 CNN 提取局部细节和 Transformer 捕获全局语义依赖，从而提升分割精度和效率。例如，动态变形卷积和自适应互补注意模块可改进性能，TransCC 在 CCTA 图像分割中平均 Dice 达 0.730，C2FTrans 在多个数据集上超越现有方法。
有哪些基于 CNN 和 Transformer 的肝肿瘤分割方法取得了高精度？
级联全卷积网络和密集 3D 条件随机场方法在 CT 腹部图像中分割肝脏和病变，Dice 超过 94%；CNN-DS-AM 方法预测肝脏肿瘤准确率超过 95.5%；RA-UNet 在肝肿瘤分割任务上胜过其他最先进方法。
RA-UNet 在肝肿瘤分割中的表现如何？
RA-UNet 是一种三维残差关注分割方法，能精确提取肝脏感兴趣体积并分割肿瘤。结果表明，它在肝肿瘤分割任务上胜过其他最先进方法，并在脑肿瘤分割任务上也有良好表现。
CNN-DS-AM 方法如何提高肝肿瘤预测的准确性？
CNN-DS-AM 结合了卷积神经网络、基于深度的变体搜索算法和先进的注意机制。这种结合提高了肝肿瘤预测的准确性和鲁棒性，预测准确率达到 95.5% 以上，优于其他最先进方法，可协助放射科医生进行诊断和治疗规划。
C2FTrans 在医学图像分割中有什么特点？
C2FTrans 是一种多尺度架构，将医学图像分割形式化为粗-细过程。它包含跨尺度全局 Transformer 和边界感知局部 Transformer，能在保持精细的同时降低计算复杂度，并在三个公共数据集上超越现有 CNN 和基于 Transformer 的方法。
