一种基于Transformer和卷积注意力机制的CT图像分割方法技术

本发明专利技术公开了基于Transformer和卷积注意力机制的CT图像分割方法，包括以下步骤：S1，数据预处理模块：获取CT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CT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，CNN编码器模块：利用多层卷积操作，对CT图像进行初步编码，使用卷积注意力模块来实现注意力机制，对语义分割主要区域加入关注，获取CT图像的局部特征信息；S3，Transformer编码器模块：连接CNN编码器的后两层特征信息，传入到Transformer编码器进行处理，获取CT图像的全局特征信息，CT图像全局特征信息结果与从CNN编码器传入的后两层特征信息残差相加，增强CNN编码器后两层特征信息传递操作过程中损失的信息；S4，解码器模块：将Transformer编码器的输出信息还原至CNN编码器最后两层特征图大小，最后一层特征图经反卷积操作后与上一层输出的还原结果相加，再使用反卷积操作将相加结果还原到CNN编码器前两层特征图大小，并对应作跳跃连接，最后还原出带标签的CT图像。标签的CT图像。标签的CT图像。

【技术实现步骤摘要】
一种基于Transformer和卷积注意力机制的CT图像分割方法


[0001]本专利技术涉及医学图像分析
，特别涉及一种基于Transformer和卷积注意力机制的CT图像分割方法。

技术介绍

[0002]对于临床诊断，医学图像分割有着十分重要的意义，其也是医学图像定量分析的关键步骤。电子计算机断层扫描(Computed Tomography，CT)和磁共振(Magnetic Resonance，MR)成像是目前诊断、治疗和临床研究中使用最广泛的放射成像技术，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。
[0003]随着计算机的广泛应用和人工智能技术的发展，深度学习的卷积神经网络(CNN)方法在图像分析领域取得了突出成绩。图像分割是医学图像分析中存在的长期挑战。医学图像相比于普通图像，具有灰度范围大、边界不清晰等特点，U
>‑
Net本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer和卷积注意力机制的CT图像分割方法，其特征在于，所述方法包括以下步骤：S1，数据预处理模块：获取CT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CT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，CNN编码器模块：利用多层卷积操作，对CT图像进行初步编码，使用卷积注意力模块来实现注意力机制，对语义分割主要区域加入关注，获取CT图像的局部特征信息；S3，Transformer编码器模块：连接CNN编码器的后两层特征信息，传入到Transformer编码器进行处理，获取CT图像的全局特征信息，CT图像全局特征信息结果与从CNN编码器传入的后两层特征信息残差相加，增强CNN编码器后两层特征信息传递操作过程中损失的信息；S4，解码器模块：将Transformer编码器的输出信息还原至CNN编码器最后两层特征图大小，最后一层特征图经反卷积操作后与上一层输出的还原结果相加，再使用反卷积操作将相加结果还原到CNN编码器前两层特征图大小，并对应作跳跃连接，最后还原出带标签的CT图像。2.根据权利要求1所述的CT图像分割方法，其特征在于，步骤S2所述的CNN编码器模块还包括：S21，使用一个Conv_IN_ReLU块对CT图像进行初步处理，包括一个7
×
7卷积核的卷积层、归一化层和激活层，得到包含丰富局部信息的中间特征图；S22，使用卷积注意力模块，沿着通道和空间两个维度推断注意力映射，强调重要的特征，减小不必要特征的影响，从而关注任务所要分割的关键部位，增强CNN编码器的性能；S23，将融合了卷积注意力的中间特征图传入到ResConvBlock中，经过多个残差卷积块的处理，获得分辨率更低的特征图；S24，按照S22和S23的方法，在经过两次的卷积注意力模块和ResConvBlock处理，得到分辨率更低的高层次特征图，所述高层次特征图包含了CT图像的全局信息。3.根据权利要求2所述的CT图像分割方法，其特征在于，在S22步骤中，卷积注意力模块将注意力的注入分为两个过程，沿着空间轴的通道注意力模块和沿着通道轴的空间注意力模块，卷积注意力模块输入的中间特征图F∈R
C*H*W
，卷积注意力模块推导出1...

【专利技术属性】
技术研发人员：丁长松，许志祥，黄辛迪，彭荧荧，李力松，
申请(专利权)人：湖南中医药大学，
类型：发明
国别省市：