CN114092439B 一种多器官实例分割方法及系统 （深圳大学）

本发明提供一种多器官实例分割方法及系部位进行分割标注，整合后得到实例分割数据获取U-NET-Transformer模型；获取图像分割结果：使用训练好的U-NET-Transformer模型对需发明能够在一张图像上展示医学影像中各个部2所述训练数据集训练所述图像分割网络，获取U-NET-Transformer模型，所述U-NET-层数据信息以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权对于集合A和集合B，表示为A⊕B的B对A的膨胀公式为：z=通过图像灰度处理法进行图像融合获得灰度图像后，再使用阈值分割3入剪枝操作，Transformer模型全部由注意力机制组合而成，并且，用卷积神经网络混合Transformer模型对信号不同层次的特征进行像素级每输出一个值，BCEDiceloss交叉熵损失函数根据该数值与对应标签的情况给出一个损构建训练模型模块：构建基于U-Net网络与Transforme用所述训练数据集训练所述图像分割网络，获取U-NET-Transformer模型，所述U-NET-层数据信息以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权图像分割结果获取模块：用于使用训练好的U-NET-Transformer模型对需要分割的颅45采用所述训练数据集训练所述图像分割网络，获取U-NET-Transformer模型，所述U-NET-层数据信息以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权6理后的数据集与原始输入图像一起整合为训练数据越连接结构以及层与层之间的特征融合并且加入剪枝操作，Transformer模型全部由注意层数据信息以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权[0032]图像分割结果获取模块：用于使用训练好的U-NET-Transformer模型对需要分割模型，对复杂结构的实例分割效果更好，借助U-NET网络的独特编解码结构和跳跃连接特行训练模型来达到最终效果；使用transformer模型学习位置编码的重要程度可以更有效7[0038]图5为本发明一实施例的结合Transformer模型和U-Net网络的U-NET-8样层、下采样层、跳越连接结构以及层与层之间的特征融合并且加入剪枝操作，辨率的图像细节，在解码恢复的过程中会产生误差，所以利用CNN(卷积神经网络)混合相加再归一化(Add&Normalize)和混合多头注意力模块(Multi-无关信息，关注更加重要的重点信息。包括神经网络能够自主学习的自注意力(Self[0065]位置编码：通过注入词的顺序信息增强模型输入，一是使用不同频率的sine和cosine函数直接进行计算；二是学习出一份positionalembedding，即在batch维度进行9mask(序列掩膜)。Paddingmask通过在各个批次输入序列中长度较短的序列后加0或是将[0072]具体的：在此处使用CNN混合Transformer进行特征提取，通过CNN网络进行下采可以把编码器部分每一次下采样得到的特征通过级联(Concatenation)和卷积[0080]在数据预处理后的各个部位对应的分割标签图片与原始以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权重，将获得的[0083]作为本发明的优选实施例，本例在训练U-NET-Transformer模型的过程中，引入BCEDiceloss(Sigmoid与log损失[0090]使用训练好的U-NET-Transformer模型对需要分割的颅内图像进行分割，获取分训练数据集训练所述图像分割网络，获取U-NET-Transformer模型，所述U-NET-层数据信息以相同分辨率密集连接输入到隐藏特征层后经过U-Net网络进行分割，同时将输入的图像直接进行位置编码输入Transformer模型学习位置信息以及特征的注意力权[0115]图像分割结果获取模块：用于使用训练好的U-NET-Transformer模型对需要分割[0118](1)能够在一张图像上展示医学影像中各个部位的相互影响关系，让医生更加清的特征提取方式可以使用更少的数据集进行训练模型来达到[0120](3)使用transformer模型学习位置编码的重要程度可以[0121](4)现有的实例分割方法的分割效果弱于现有的语义分割结果