CN115330816B 基于多头交叉注意力转换网络的多时相肝肿瘤分割方法 （西安电子科技大学）

基于多头交叉注意力转换网络的多时相肝本发明公开了一种基于多头交叉注意力转本发明能够对两期图像的特征进行相关性分析于CT图像中对人体肝肿瘤病灶的自动检测和分2(1c)将归一化后的动脉期图像和门静脉期图像及对应的门静脉期肝肿瘤标签进行下采样至256x256；(2)将预处理后的多时相CT影像数据集应用随机选择的方法按照3：1的比例划分为训(3c)选用现有的TransUNet网络，将特征融合模块MCAF连接到该网络的编码器和(4)将多时相CT训练集输入到构建好的肝肿瘤分割模型中，设置该模型的分割损失(5)将多时相CT测试集输入到训练好的肝肿瘤分割模型中，得到在测试集上的分割结max表示最大的CT值，3.根据权利要求1所述的方法，其特征在于，所述(3c)所述的编码器，由两个结构相同且权重共享的CNN卷积块组成，每个卷积块均由所述卷积块由两个分支并行连接构成，其中第一个分支包含卷积核大小为3x3，步长为1的两个卷积层，第二个分支包含一个卷积核大小为3x335.根据权利要求1所述的方法，其特征在于，所述(4)6.根据权利要求1所述的方法，其特征在于，所述(4)中的水out分别表示目标肝肿瘤的内部区域和外部区域。7.根据权利要求1所述的方法，其特征在于，所述(4(4c)将多时相CT训练集输入到肝肿瘤分割模型中，得到像素级分割结果和水平集结4患者在治疗过程中通常通过多时相CT扫描来确定自人员投入到利用CT图像进行肝肿瘤分割的计算像提升肝肿瘤分割准确度上做了许多努力。Tao等人在MedicalImaging上发表的《Liver segmentationfromregisteredmultiphaseCTdatasetswithEMclusteringand期图像的丰富信息结合高斯混合模型和水平集方法内容来提高复杂肝脏分割的准确性和鲁棒性。Hasegawa等人在IEEE上发表的《Automaticdetectionandsegmentationof livertumorsinmulti_phasectimagesbyphaseattentionmaskr_cnn》提出在MaskR_CNN框架下将增强CT中多期图像特征在特征提取阶段进行融合的方法。该方法充分利用多时相CT图像的信息提高肝肿瘤的分割效果。Xu等人在JournalofPhysics上发表的将肝脏区域分割出来，将动脉期和门静脉期图像与得到的肝脏区域相乘后分别利用两个新的U_net将两期图像肝脏区域的肝肿瘤分割出来，再将两个分割结果经过融合层融合后得到最终的肝肿瘤分割结果。5期两期图像的特征进行相关性分析并有选择性的融合，减少肝肿瘤的底层特征信息的损[0010](1b)采用最小_最大标准化对CT图像进行归一化处理，将CT值映射到区间[0,1][0011](1c)将归一化后的动脉期图像和门静脉期图像及对应的门静脉期肝肿瘤标签进[0012](2)将预处理后的多时相CT影像数据集应用随机选择的方法按照3：1的比例划分脉期和门静脉期图像各1323张，且动脉期和门静脉期图像共用标注的门静脉期肝肿瘤标和一个线性层依次级联组成的多头交叉注意力块，其中交叉注意力层由MatMul矩阵相乘[0016](3c)选用现有的TransUNet网络，将特征融合模块MCAF连接到该网络的编码器和[0017](4)将多时相CT训练集输入到构建好的肝肿瘤分割模型中，设置该模型的分割损[0018](5)将多时相CT测试集输入到训练好的肝肿瘤分割模型中，得到在测试集上的分[0020]第一，本发明由于构建了基于多头交叉注意力转换网络的多时相肝肿瘤分割模6[0036]1.4)将归一化后的动脉期图像和门静脉期图像及对应的门静脉期肝肿瘤标签进[0047]所述的编码器，由两个结构相同且权重共享的CNN卷积块组成，每个卷积块均由7[0049]所述卷积块由两个分支并行连接构成，其中第一个分支包[0050]3.3)将3.1)构建的特征融合模块MCAF连接到3.2)选用的TransUNet网络的编码器8[0065]4.2)根据4.1)中设定的批次大小将多时相CT训练集分批输入到肝肿瘤分割模型[0070]将多时相CT测试集输入到训练好的肝肿瘤分割模型W’中，得到测试集的分割结[0074]本发明的仿真实验数据来自于医院收集肝癌患者含有标签的多时相CT影像数据82.0572.9684.1485.5672.6476.8387.55