[发明专利]一种基于transformer和SE块的CT自动肝脏图像分割方法

说明书

本发明提供了一种基于transformer和SE块在电子计算机断层扫描中自动肝脏图像分割方法，属于医学图像分割领域。本发明通过图像分割方法，对肝脏实现自动分割。引入transformer，SE块使其能够自使用地提取图像特征，同时抑制不相关区域，以保证网络聚焦于特定的分割任务相关的特征。用RepVGG替代U‑Net网络的解码器部分，用一种简单的架构，来实现速度与精度的平衡。本发明解决了现有的卷积神经网络在肝脏图像分割上存在的感受野不足，无法建立有效的远程依赖等问题，并提高了肝脏分割的准确性。

技术领域

本发明涉及一种基于transformer和SE块的CT自动肝脏图像分割方法，属于医学图像分割领域。

背景技术

肝癌是世界上最常见、死亡率最高的癌症之一。肝脏分割是肝癌诊断和手术计划的必要前提。为了从腹部CT图像中获得完整、准确的肝脏分割图像，成像医生需要逐个手动标记切片。然而，每例患者的肝脏与周围邻近器官的对比度较低，边界较弱，肝脏形态差异较大。这个过程不仅是劳动密集型的，而且也是对医生经验的检验。因此，临床迫切需要自动、准确的肝脏分割方法。

在过去的几十年里，研究人员开发的许多自动肝脏分割方法可以分为三类：一类是基于传统图像分析的，一类是基于机器学习的，另一类是基于深度学习的。基于传统的图像分析方法，大多是半自动的，易受噪声影响，分割过程复杂。虽然基于机器学习的方法极大地提高了分割精度，但对鉴别特征的设计有很高的要求。然而，随着医学图像越来越复杂，很难获得理想的图像。基于深度学习的方法可以根据提供的数据集自动学习和识别特征，实现肝脏的自动分割。

在基于深度学习的方法中，Jonathanlong等人提出的FCN具有显著的像素级分割精度。该模型与CNN的主要区别在于它使用卷积层而不是全连接层。 Ronneberger等人在FCN的基础上提出了u-net模型。该模型在医学图像分割领域取得了巨大的成功。随后的大多数模型都是在u-net的基础上进行修改的，这促进了医学图像分割的发展。然而，尽管卷积神经网络在医学图像分割领域取得了巨大的成功，但它也遇到了瓶颈。卷积运算的固有局部性通常在建立远程关系时有局限性，这将产生较弱的性能，尤其是对于在纹理、形状和大小上表现出巨大差异的目标结构。与之前基于CNN的方法不同，transformer不仅在全局上下文表现出非常强大的性能，而且在大规模的预训练下，它还表现出良好的下游任务的能力。它的全注意力结构不仅提高了特征提取的能力，而且保持了并行计算的特点。

发明内容

为了解决现有技术中存在的一些问题，如缺乏感受野，无法获得有效的全局信息；本发明提供了一种基于卷积变换的CT肝脏图像自动分割方法，部分解决了上述问题。

本发明在u-net网络模型的总体框架中增加了Repvgg模块、SE模块和trans-former模块。选择Repvgg模块的原因是模型的计算速度快，现有的计算库和硬件对3×3卷积进行了深入优化，计算密度高且有效，并且在节省内存的同时具有灵活性。选择Transformer是因为模型全部由注意力机制组合而成，可以实现更好的提取全局信息。选择SE模块的目的是通过一组权重值来表达每个特征通道的重要性，并根据权重值对特征通道进行重新排序，增加有用特征通道的权重，削弱不太有用的特征通道。

本发明提供了一种基于transformer和SE块的CT自动肝脏图像分割方法，该分割方法包括以下步骤：

步骤1：选择包含131组3D腹部CT扫描的Lits2017作为所需数据集，其中121组数据用作训练集，另外10组数据用作测试集。

步骤2：对数据集进行图像预处理和数据增强。首先，读取lits2017数据集的图像，将其转换为灰度图像，并通过直方图均衡化增强图像的对比度和清晰度。为了消除训练过程中的过拟合问题，对原始数据集进行剪切、翻转、旋转和弹性变形以扩展数据集。数据增强可以提高网络模型的泛化能力，增强噪声和网络模型的鲁棒性。

步骤3：构建网络模型：