摘要：2019 冠状病毒大流行增加了公共卫生负担，给人类带来了深刻的灾难。针对 COVID-19 医学图像边界模糊、对比度低、不同感染部位的特殊性，一些学者通过增加模型的复杂度来提高准确性。更重要的是，他们忽视了病变部位的复杂性和多样性，这阻碍了他们捕获病变部位与背景之间以及边缘轮廓和全局上下文关系的能力。然而，一味增加模型复杂度、参数量和降低推理速度不利于自动分割网络在临床环境中的应用。一个完美的分割网络需要完全同时考虑以上三个因素。针对上述问题，本文提出了一个全新的自动分割框架 MS-DCANet。 我们引入了一种新颖的注意力方案-Tokenized MLP 模块，它使用移位窗口机制有条件地融合局部和全局特征，以此来获得更加连续的边界和卓越的空间定位能力。它对于不规则病变轮廓具有更深刻的理解。通过使用 DC 模块和 Res-ASPP 模块，MS-DCANet 能提高对于小目标物体的识别能力。在多模态 COVID-19 任务上，MS-DCANet 实现了最先进的性能，相比其他基线模型。同时，它可以很好地权衡准确性和复杂性。为了证明我们提出的模型具有强大的泛化能力，我们将其应用于其他任务（ISIC 2018 和 BAA）上并取得了令人满意的结果。
关键词：多模态 COVID-19 病变分割；实验室到医院；多尺度特征学习；深度可分离卷积