CN116309650B 基于双分支嵌入注意力机制的医学图像分割方法与系统 （湖南大学）

基于双分支嵌入注意力机制的医学图像分本发明公开一种基于双分支嵌入注意力机Transformer分支和Resnet分支组成，分别用于2S3、将预处理后的医学图像输入到编码器进行存特征图，所述编码器由并行的SwinTransformer分支和Resnet分支组成；所述SwinS4、将编码器保存的特征图通过跳跃连接输入到解所述的跳跃连接设置在特征图的最初的输入图像的高度和宽度的1所述卷积注意力模块包含通道注意力模块和空间注间注意力附加在输入的特征图，从而实现将SwinTransformer分支提取的全局特征和;;2.根据权利要求1所述的基于双分支嵌入注意力机制的医学图像分割方法，其特征在3预训练参数是SwinTransformer和Resnet50在ImageN3.根据权利要求1所述的基于双分支嵌入注意力机制的医学图像分割方法，其特征在所述旋转为对原始图像旋转_20度至20度；所述翻转包括对原始图像进行水平翻转或4.根据权利要求1_3任一所述的基于双分支嵌入注意力机制的医学图像分割方法，其所述的每个Transformer编码层，包括2个成对的SwinTransformer块及1个Patch2个相邻出现的连续的SwinTransf;l层W_MSA模块与MLP模块的输出，、分别是第l+1层SW_MSA模块与MLP模块的输5.根据权利要求4所述的基于双分支嵌入注意力机制的医学图像分割方法，其特征在所述的每个Resnet编码层由若干个残差块构成；所述残差块6.根据权利要求5所述的基于双分支嵌入注意力机制的医学图像分割方法，其特征在4步骤S5中，所述的计算图像的预测标签与真实;;7.一种基于双分支嵌入注意力机制的医学图1_6任一所述的基于双分支嵌入注意力机制的医学图像分割方法，具体包括：模型构建模数据预处理模块，用于对输入的医学图像使用编码模块，用于对预处理后的医学图像提取特解码模块，用于对通过跳跃连接输入至解码器的编码后的特5[0002]随着医学的不断发展，医学图像在病人的诊断和治疗过程中起着非常重要的作医生来做医学图像的分割这将会减少医生的负全局特征上具有突出的优势，但是由于医学图像分割是一种像素级别的语义分割，[0005]又如：中国专利文献CN114612416A公开一种基于Swin_Unet的胃腺癌病灶分割方法，其方案中采用的Swin_Unet模型是一个纯粹的基于SwinTransformer的医学图像分割胸片图像肺部分割方法，TransUnet模型是一个CNN和Transformer的混合的医学图像分割6[0007]此外，文献《TransFuse:FusingTransformersandCNNsforMedicalImageSegmentation》[C].LiuY,ChenX,GongS,etal.IEEE/CVFConferenceon意力的计算是图像大小的平方，计算复杂度较高，其次TransFuse的融合模块设计的太复[0019]进一步地，步骤S1中，所述的预训练参数是SwinTransformer和Resnet50在7这些类型的Resnet分支都具有7*7的卷积层和3*3的池化层组成的积注意力模块用于将通道注意力和空间注意力附加在输入的特征图，从而实现将Swin8Transformer分支提取的全局特征和Resnet分支提r'pic预测的第个样本属于第c类的概率；[0048]第二方面，本发明还提供一种基于双分支嵌入注意力机制的医学图像分割系统，9[0052]解码模块，用于对通过跳跃连接输入至解码器的编码后的特征序被执行器执行时实现上述的基于双分支嵌入注意征。为了融合两个分支提取的全局特征和局部特征以及弥补下采样造成的空间信息的丢[0060]图1为本发明实施例1提供的基于双分支嵌入注意力机制的医学图像分割方法的[0061]图2为本发明实施例1提供的基于双分支嵌入注意力机制的医学图像分割方法的[0064]图5为本发明实施例2提供的提供的基于双分支嵌入注意力机制的的医学图像分[0069]图10为本发明实施例6提供的不同跳跃连接的数量对本发明模型的分割性能对比并保存特征图，编码器由并行的SwinTransformer分支和Resnet分支组成。所述Swin[0080]所述SwinTransformer块用于提取图像的全局特征，所述PatchMerging层用于[0081]两个相邻出现的连续的SwinTransformerblock（块如图2所示，相关公式如[0085]本发明方案中的Resnet分支采用Resnet50。本发明将在实施例5中详细讨论不同pic预测的第个样本属于第c类的概率；[0104]本发明实施例采用的是交叉熵损失和Dic为编码器，由并行的SwinTransformer分支231和Resnet分支232组成；所述SwinTransformer分支231用于提取图像的全局特征，所述Resnet分支232用于提取图像的局部[0112]解码模块24，用于对通过跳跃连接输入至解码器的编码后的特征图进行分支解[0114]为了验证本发明提出的医学图像分割网络模型的性能，本实施例在Synapse数据出的SR_Unet模型无论在平均相似性系数还是在平均豪斯多夫距离都有所提高。本发明模[0123]为了验证本发明提出的医学图像分割网络的性能，本发明在BUSI（Breast明提出的模型（SR_Unet模型）无论在平均相似性系数还是在平均豪斯多夫距离都有所提