[发明专利]一种基于交叉融合卷积与可变形注意力Transformer的3D医学图像分割方法

说明书

本发明公开了一种基于交叉融合卷积与可变形注意力Transformer的3D医学图像分割方法，包括以下步骤：S1，数据收集和预处理模块：获取3D医学图像数据，按照体素值截断的方法过滤不相关区域，对过滤后的3D医学图像数据进行标准化处理，然后划分训练集、验证集和测试集；S2，编码器模块：交叉使用卷积层和可变形注意力Transformer层来获取3D医学图像的低分辨率特征。利用残差卷积块中卷积层的卷积操作获取3D医学图像的局部特征，减小特征图分辨率，利用可变形注意力Transformer层的可变形多头自注意力对所述局部特征进行全局关系建模，在编码器中使用残差结构来增强特征信息，使用卷积注意力模块对关键分割区域进行关注；S3，解码器模块：使用反卷积操作对编码器提取到的低分辨率特征进行还原，对应于编码器每层次的特征图大小并作跳跃连接，逐步上采样到输入图像分辨率大小，得到带标记的3D医学图像。

技术领域

本发明涉及医学图像分析技术领域，特别涉及一种基于交叉融合卷积与可变形注意力Transformer的3D医学图像分割方法。

背景技术

医学图像的有效分割，在临床诊断和治疗过程中起着重要的作用，是医学图像定量分析的关键步骤。目前医疗研究中应用最为广泛的放射成像技术是电子计算机断层扫描(Computer Tomography，CT)和磁共振(Magnetic Resonance，MR)，因此，CT和MR的分割方法也是如今医学图像分割研究领域中的主流方向。在传统的分割方法中，存在着一些难以避免的问题，如对医学领域先验知识的过多依赖，人为的错误评估等，针对该类问题，提出利用计算机深度学习技术对医学图像精确分割的方法。

随着深度学习技术的不断发展，神经网络也广泛应用在了图像处理领域，其中也包括医学影像处理领域。在众多方法中，尤其是卷积神经网络(CNN)应用最广。CNN利用卷积和池化的一系列操作来自动提取出图像的特征，通过利用多层卷积或扩大卷积核等方法来扩大感受野，更有效地提取特征，根据不同的任务，对应地调整损失函数，神经网络经反向传播的方式自动调整误差，完成对应的图像处理任务。在图像分割领域中，较为著名的网络模型有全卷积神经网络(FCN)和U-Net。但是由于卷积操作的局部性，研究人员致力于各种方法来扩大CNN的感受野，虽然在一定程度上取得了效果，但是仍不能摆脱这个问题。

目前将自然语言处理(NLP)领域中较为成熟的Transformer模型迁移学习到图像处理领域已成为一大热点并取得了不错的效果。研究人员针对不同的图像处理任务来进行改进，在图像识别任务中，Vision Transformer(ViT)是一个典型的迁移学习模型，ViT将Transformer结构来完全取代CNN，利用自注意力(self-attention)机制来提取图像全局特征，该结构结果优于基于CNN的ResNet。研究人员也用各种方式将CNN与Transformer相结合，两种结构的优势互补，TransUNet就是将两种方法结合的方法之一，先使用CNN提取图像的局部特征，然后将所提取的最后一层特征传入到Transformer中进行全局特征关系建模，最后使用反卷积方法对带有局部特征和全局特征的特征图上采样，还原成目标结果。这些方法也成功应用于医学图像处理领域，成为医学图像分割任务中新的研究和应用方向。

发明内容

本发明要解决的技术问题是提供一种基于交叉融合卷积与可变形注意力Transformer的3D医学图像分割方法，可实现医学图像中关键区域的自动分割，从而有利于高效地诊断、治疗和临床研究。为了解决上述问题，其技术方案如下：

本发明的一种基于交叉融合卷积与可变形注意力Transformer的3D医学图像分割方法，所述方法包括以下步骤：

S1，数据收集和预处理模块：获取3D医学图像数据，按照体素值截断的方法过滤不相关区域，对过滤后的3D医学图像数据进行标准化处理，然后划分训练集、验证集和测试集。