CN119399461A 一种基于SCAF-TransUNet的肝脏肿瘤分割方法 （沈阳工业大学）

一种基于SCAF-TransUNet的肝脏肿瘤分割本发明公开了一种基于SCAF_TransUNet的跳跃连接中引入的CECA模块通过一维卷积替代了多尺度特征的融合能力。FPN通过逐层融合不改进显著提高了肝脏肿瘤分割任务的准确性和2步骤二、对于经过超像素预处理得到的超像素络CNN来提取输入图像的多尺度特征，并通过SCAF_TransUNet的TransformerLayer将CNN步骤三、在每一层的解码器阶段，解码器上采样后的特征对获取的待分割肝脏肿瘤CT图像进行超像设图像有N个像素点，并且想要将图像分割为K个超像素区域，那结合颜色距离和空间距离，使用加权的度量方式来衡量3通过多次迭代上一步的过程来优化种子点和超像素的分，在每次迭对于经过超像素预处理得到的超像素图像输入编码器部分，通过卷积神经网络CNN来提取通过SCAF_TransUNet的TransformerLayer通过将CNN特征图划分为小块patches，并使用首先将特征图划分为PXP的小块，并展开一维向量；每个小块通过线性映射到高维空4l表述当前层的最终输出；Z’l表示经过多头自注意力机制后的中间输出；LN通过Channel_EfficientConvolutionalAttention模块处理编码器部分传递过来的使用1D卷积替代全连接层，生成通道间的依赖权重；卷积核大小使用Sigmoid函数将权重W映射到[05C通过Channel_EfficientConvolutionalAttention模块继续处理通道注意力加权后HXWXC被传入空间注意力模r-rua特征图Fconcat∈RHXWX2；RHXW：HXWXC是通道注意力和空间注意在解码器的每一层，上采样后的特征图与跳跃连接传递过来的经过Channel_特征提取：在编码器部分，使用卷积神经网络提取不同分辨率的特征图；对于SCAF_6通过这种自上而下的方式，高层次特征图的全局语义信息被逐级传播到低层次特征上采样操作：上采样操作通过双线性插值或反卷积将低分辨率的融合后的卷积：每次上采样并进行特征融合后，FPN会应用FPN与跳跃连接的结合：改进后的SCAF_TransUNet中，跳跃连接部分已经引入了7分割方法到现在基于深度学习的分割方法，效率与准确度越来越高。传统图像分割方法主要是基于像素之间的相似性进行分类，即将图像中的像素划分到不同区域中，以实现对目andfunctionalsegmentationfromCTscansforhepaticsurgery》提出的阈值法是根生长算法，该方法首先选定种子像素或子区域作为目标位置，如果相邻像素或区域符合相《Interactivegraphcutsforoptimalboundary®ionsegmentationofobjects inNDimages》提出的图割方法是将图像转换为一个无向图，其中每个像素被征分割图像的深层特征。8[0025]结合颜色距离和空间距离，使用加权的度量方式来衡量9LN(Z′[0054]通过Channel_EfficientConvolutionalAttention模块处理编码器部分传递过[0071]通过Channel_EfficientConvolutionalAttention模块继续处理通道注意力加[0085]在解码器的每一层，上采样后的特征图与跳跃连接传递过来的经过Channel_[0086]特征提取：在编码器部分，使用卷积神经网络提取不同分辨率的特征图；对于[0097]FPN与跳跃连接的结合：改进后的SCAF_TransUNet中，跳跃连接部分已经引入了率[0105]本发明的网络基于TransUNet网络的改进方案结合了SLIC超像素预处理、CECA(Channel_EfficientConvolutionalAttention)混合注意力模块和多尺度特征融合模块FPN通过逐层融合不同分辨率的特征图，使得模型在上采样前就能有效结合全局语义信息[0108]图3为本发明实施例的CECA(Channel_EfficientConvolutionalAttention)模[0118]输入肝脏肿瘤图像，首先采用SLIC(SimpleLinearIterativeClustering)超像[0131]结合颜色距离和空间距离，使用加权的度量方式来衡量[0139]输出的图像将被分割为多个超像素区域。这些超像素区域可以作为后续SCAF_[0140]SLIC(SimpleLinearIterativeClustering)超像素预处理的主要目的是将输别有助于增强模型对边界和局部细节的处理能力，避免边界模糊或过度平滑问题。最终，[0143]对于经过SLIC超像素预处理得到的图像输入编码器部分首先通过卷积神经网络[0155]SCAF_TransUNet的TransformerLayer通过将CNN特征图划分为小块(patches)，[0169]在本发明的实施方式中，请参阅图3，通过跳跃连接引入CECA模块以增强特征表征图，经过CECA模块处理后成为CECA(Fencoder)。Fdecoder是解码器当前层的上采样特征图。Ffusion表示跳跃连接传递过来的经过CECA模块处理后的特征图与解码器当前层的上采样特[0193]3)特征图拼接(Concatenation)：将这两个池化得到的特征图沿通道维度拼接起：[0202]其中，该Channel_EfficientConvolutionalAttention模块是对CBAM力部分替换为更轻量化的ECA(EfficientChannelAttention)模块。传统的CBAM通道注意[0207]在编码器部分，使用卷积神经网络(CNN)提取不同分辨率的特征图。对于SCAF_；[0209]这些多尺度特征图将被用作后续FPN的输入。每一个特征图Ci都包含不同层次的[0214]FPN采用自上而下的特征融合策略。最高层的特征图P5具有最小的空间分辨率和[0220]上采样操作通过双线性插值或反卷积将低分辨率的特征图放大到与高分辨率特[0237]在解码器的最后一层，经过上采样和特征融合后的特征图通过1x1卷积将通道数[0238]本发明的网络基于TransUNet网络的改进方案结合了SLIC超像素预处理、CECA(Chann