双特征聚合Transformer

通过空间与通道双重聚合和差分注意力，在降低计算复杂度的同时提升对未知数据的泛化能力。

Jiaxin, Li · 崔恒飞 · 张艳宁 · 夏勇

Information Fusion 2026

参数信息

平均Dice系数

83.60 %

平均Dice系数

92.27 %

平均Dice系数

87.78 %

技术优势

泛化能力更强

差分Transformer通过差分运算抑制噪声，提升模型对未知数据的泛化能力。

计算复杂度更低

FAFN模块通过门控机制减少通道冗余，实现高效特征提取的同时降低模型计算复杂度。

多尺度分割更准

双特征聚合Transformer块同时整合空间聚合与通道聚合注意力，捕获更丰富的上下文信息和复杂特征。

应用场景

• 医学图像分割：用于CT、MRI、皮肤镜等医学图像的自动分割，辅助医生制定治疗计划和手术导航。
• 手术机器人视觉：为手术机器人提供实时、精准的组织和病灶分割，提升手术安全性和效率。
• 可穿戴健康监测：在可穿戴设备中实现轻量级医学图像分析，支持皮肤病等病变的早期筛查。
• 脑机接口图像处理：处理脑机接口涉及的神经影像，辅助脑区定位和神经疾病诊断。