顶刊神思路！融合Transformer与CNN做医学图像！！

CNN+Transformer，众所周知的热门组合。搜前沿的时候发现它在医学图像领域高质量成果不少。比如登上1区TOP刊的混合DL架构TBConvL-Net、CFFormer混合模型、医学图像分析模型Sdr-former...

原因在于这类混合架构可以更准确地识别和定位病变区域，提高诊断准确性，同时减少对标注数据的依赖，非常契合当下医学界的需求（比如计算资源有限的问题），研究前景广阔。

如果需要发论文，这方向是目前比较好的选择，搞创新的话可考虑轻量化+部署优化、无标注学习、因果推理与可解释性等角度，建议论文er从临床痛点反推模型设计，不要单纯堆叠模块。

本文整理了10篇CNN+Transformer+医学图像新论文，方便论文er找参考，基本都是开源的，大家有什么问题欢迎评论区友好交流~

全部论文+开源代码需要的同学看文末

TBConvL-Net: A hybrid deep learning architecture for robust medical image segmentation

方法：文提出了一种名为TBConvL-Net的混合深度学习架构，通过结合CNN的局部特征提取能力、双向卷积LSTM的时间依赖性建模能力以及ViT的长距离依赖性捕捉能力，实现了对医学图像分割的鲁棒性提升，并通过复合损失函数进一步优化分割效果。

创新点：

• 提出TBConvL-Net，融合CNN、BConvLSTM和Swin Transformer，兼顾局部特征与长距离依赖，提升医学图像分割效果。

• 设计复合损失函数，综合考虑分割鲁棒性和边界一致性，优化分割精度。

• 使用深度可分离卷积，降低计算负担，提高特征学习效率。

CFFormer: Cross CNN-Transformer Channel Attention and Spatial Feature Fusion for Improved Segmentation of Low Quality Medical Images

方法：本文提出了一种名为CFFormer的混合CNN-Transformer模型，用于改善低质量医学图像的分割效果。该模型通过引入交叉特征通道注意力模块和X空间特征融合模块，结合CNN的局部特征提取能力和Transformer的全局特征建模能力，有效提升了医学图像分割的性能。

创新点：

• 提出CFFormer模型，融合CNN和Transformer的双编码器架构。

• 引入交叉特征通道注意力模块，通过通道相关性过滤和交互特征，提升模型对通道特征的提取能力。

• 设计X空间特征融合模块，有效消除CNN和Transformer特征图在空间特征上的显著差异，增强空间特征融合能力。

SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging

方法：论文提出了一种名为SDR-Former的新型框架，用于3D多相CT和MR影像中的肝脏病变分类。该框架结合了CNN和Transformer的优势，通过双分辨率处理和自适应相位选择模块，实现了高效且准确的多相医学图像特征提取和分类。

创新点：

• 提出SDR-Former框架，结合CNN和Transformer处理多相医学图像，提升特征提取能力。

• 引入BCIM和APSM模块，增强特征交互和动态调整相位影响，提高分类精度。

• 在多相CT和MR数据集上验证，性能优越，并公开新数据集支持研究。

ScribFormer: Transformer Makes CNN Work Better for Scribble-based Medical Image Segmentation

方法：论文提出了一种名为ScribFormer的方法，用于基于涂鸦（scribble）监督的医学图像分割，通过结合CNN和Transformer的优势，有效融合局部特征和全局上下文信息，显著提升了分割性能。

创新点：

• 提出ScribFormer模型，结合CNN和Transformer，融合局部特征和全局信息，提升分割性能。

• 引入ACAM分支，通过一致性损失优化特征学习，增强模型对目标区域的注意力。

• 在多个数据集上验证，性能优于现有方法，接近全监督学习效果。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏