卷积神经网络（CNN）已经成为当今3D医学图像分割的事实上的标准。然而，这些网络中使用的卷积运算不可避免地在建模远程依赖项方面存在局限性，这是由于它们的局部性和权重归纳性偏差。尽管Transformer就是为解决这个问题而诞生的，但是在处理高分辨率3D特征图时，它遭受了极大的计算和空间复杂性的困扰。在本文中，我们提出了一种新颖的框架，该框架可以有效地桥接{\ bf Co}进化神经网络和{\ bf Tr}变形器{\ bf（CoTr）}，以进行精确的3D医学图像分割。在此框架下，构建CNN来提取特征表示，并构建有效的可变形变压器（DeTrans）来建模对提取的特征图的远程依赖性。与香草变形金刚（均等地对待所有图像位置）不同，我们的DeTrans通过引入可变形的自我注意机制，仅关注少数关键位置。因此，大大降低了DeTrans的计算和空间复杂度，从而可以处理通常对于图像分割至关重要的多尺度和高分辨率特征图。我们对涵盖颅底金库（BCV）数据集以外的Multi-Atlas标签进行了广泛的评估，该数据集涵盖11个主要人体器官。结果表明，在3D多器官分割任务上，我们的CoTr与其他基于CNN，基于变压器和混合的方法相比，可显着提高性能。代码位于\ def \ UrlFont {\ rm \ small \ ttfamily} \ url {https://github.com/YtongXie/CoTr}



"点击查看英文标题和摘要"