[发明专利]一种基于卷积和可变形自注意力机制的医学影像分割方法

说明书

本发明适用于医学影像分割领域，提供了一种基于卷积和可变形自注意力机制的医学影像分割方法，包括S1：对CT图像进行预处理和数据增强；S2：构建基于卷积和可变形自注意力机制的U‑Net架构模型Med‑CaDA；S3：对步骤S2构建的U‑Net架构模型采用Dice损失函数；S4：采用Adam优化算法训练步骤S2构建的U‑Net架构模型；S5：采用Dice score和95％Hausdorff distance两个指标衡量分割准确性。本发明构建了一个U‑Net架构的分割模型，并且提出了基于卷积和可变形自注意力机制的CaDA块，既保留卷积在局部信息提取上的优势，又利用了可变形自注意力机制捕捉全局依赖的能力，在较低计算量的情况下实现良好的医学影像分割精度。

技术领域

本发明属于医学图像分割技术领域，具体涉及一种基于卷积和可变形自注意力机制的医学影像分割方法。

背景技术

随着医学图像技术和计算机视觉技术的不断进步，医学图像分析已成为医学研究、临床疾病诊断中不可缺少的工具和技术手段。作为医学图像分析的重要组成部分,医学图像分割在临床诊断和治疗过程中有非常重要的作用。

近年来，全卷积神经网络架构U-Net在医学图像分割中占据主导地位，U-Net通过构建具有跳跃连接的非对称编码器-解码器体系结构，在各种医学影像分割任务中取得了巨大的成功。编码器由一系列卷积层和下采样层组成，用于提取深层特征；解码器将深层特征上采样到与输入相同的尺寸，并通过跳跃连接融合编码器过程得到的不同尺度的特征，以补充下采样过程带来的空间信息损失。受U-Net设计的启发，Res-UNet、Att-UNet、U-Net++和UNet3+等方法被开发用于器官病变的分割，优异的性能证明了卷积神经网络具有很强特征学习能力。

然而，缺乏捕捉长距离依赖的能力使得基于卷积神经网络的方法很难满足医学应用上分割精度的要求。Transformer在计算机视觉某些领域取得突破性成就，产生了一系列性能优异的方法，如ViT、PVT、Swin Transformer等。受此启发，Transformer逐渐被应用于医学图像分割领域。最近，Deformable Attention Transformer通过设计一种可变形自注意力机制，克服了PVT、Swin Transformer诸类方法可能会丢失关键相关信息的缺陷，在ImageNet数据集上取得最优的精度。

发明内容

本发明提供一种基于卷积和可变形自注意力机制的医学影像分割方法，旨在解决卷积神经网络缺乏长距离依赖捕捉能力的问题。

本发明是这样实现的，一种基于卷积和可变形自注意力机制的医学影像分割方法，包括如下步骤：

步骤S1：对CT图像进行预处理和数据增强；

步骤S2：构建基于卷积和可变形自注意力机制的U-Net架构模型Med-CaDA；

步骤S3：对步骤S2构建的U-Net架构模型采用Dice损失函数；

步骤S4：采用Adam优化算法训练步骤S2构建的U-Net架构模型；

步骤S5：采用Dice Score和95％ Hausdorff distance两个指标衡量分割准确性。

进一步地，所述步骤S1中，预处理采用Z-score的方法进行标准化，数据增强包括填充、随机裁剪、随机翻转、随机强度偏移。

进一步地，所诉步骤S2中，U-Net架构模型由编码器、解码器和跳跃连接组成，编码器包括Embedding层、卷积和可变形自注意力机制组成的CaDA块、下采样层，解码器包括上采样层，CaDA块，扩展层。

进一步地，所述的Embedding层用于将输入图像映射到多维空间，输出尺寸为