SuperFormer：基于U形超令牌Transformer的医学图像分割创新模型及其在多器官与心脏影像中的卓越性能

　　本研究针对临床腹部CT与心脏MRI多器官分割的挑战，提出新型分层编码器-解码器网络SuperFormer。通过引入超令牌Transformer模块提升全局信息提取与计算效率，并设计通道多尺度Transformer上下文桥接机制，有效融合多尺度特征，消除语义间隙。实验证明该方法在未使用ImageNet预训练情况下性能超越现有先进技术，为疾病诊断与治疗规划提供精准工具。

　　

计算机辅助诊断（Computer-Aided Diagnosis）在医学领域的应用正日益广泛。临床腹部CT（Computed Tomography）图像和心脏MRI（Magnetic Resonance Imaging）中的多器官分割是一项具有挑战性的任务。精准的多器官分割成为疾病诊断与治疗规划的关键前提。

本研究提出基于CT或MRI图像的SuperFormer分割方法：该网络采用分层编码器-解码器（hierarchical encoder-decoder）架构，包含两大创新设计：（1）在U形编解码结构中引入超令牌Transformer块（super token transformer block），显著提升全局信息提取能力与计算效率；（2）提出基于通道的多尺度Transformer上下文桥接（channel-based multi-scale Transformer context bridge）机制，有效捕获多尺度特征中的全局依赖性与局部上下文关联，指导融合后的多尺度通道信息与解码器特征高效连接，彻底消除语义间隙。

在医学图像分割任务中，SuperFormer展现出捕获区分性依赖与上下文的强大能力。多器官分割与心脏分割实验结果表明，该算法具有卓越的优越性、有效性及鲁棒性。特别值得注意的是，从零开始训练的SuperFormer实验结果甚至超越了基于ImageNet预训练的先进方法，其核心设计可扩展至其他视觉分割任务。