【技术实现步骤摘要】
一种基于卷积Transformer的多模态医学图像分割方法
[0001]本专利技术涉及医学图像分割
,具体涉及一种基于卷积Transformer的多模态医学图像分割方法。
技术介绍
[0002]医学图像在医生了解患者病因中起着重要的作用,伴随着科学技术的发展,医学图像数量呈指数级增长,由于不同模态的医学图像对于患者的诊断往往起着互补的作用,所以如何有效的利用多模态医学图像是一个重要的问题。
[0003]伴随着机器学习和深度学习的发展,计算机辅助诊断在临床医学起着至关重要的作用。通过对医学图形进行分割帮助医生进行辅助诊断也是计算机视觉中常见的任务;通过卷积神经网络提取特征是常用的方法;但是这种卷积只能对局部特征进行提取,感受野十分有限,即使通过不同程度的下采样或者空洞卷积其效果提升并不是特别明显。
[0004]Transformer(提高模型精度的方法)的出现解决了卷积感受野的局限,Transformer通过多头自注意力机制来获取全局信息,将图像张量展平计算其中的权值矩阵建立全局的依赖关系通过对于全局的依赖关系进行特征的提取。但是Transformer使得参数计算量十分庞大,对于越大的医学图像往往需要更多的计算资源,这使得在Transformer在医学图形分割中的发展受到了限制,上述问题亟待解决,为此,提出一种基于卷积Transformer的多模态医学图像分割方法。
技术实现思路
[0005]本专利技术所要解决的技术问题在于:如何在不影响精度的前提下提出能有效降低Transform
【技术保护点】
【技术特征摘要】
1.一种基于卷积Transformer的多模态医学图像分割方法,其特征在于,包括以下步骤:S1:数据集划分获取多模态医学图像数据集,随机划分训练集和测试集;S2:图像预处理读取到数据集中的原始图像后,对原始图像进行预处理;S3:构建模型构建基于卷积Transformer的多模态医学图像分割模型;S4:模型训练使用组合损失函数计算模型损失,对步骤S3中构建的模型进行训练,获取最优模型;S5:图像分割将待分割图像输入步骤S4得到的最优模型中,输出分割结果。2.根据权利要求1所述的一种基于卷积Transformer的多模态医学图像分割方法,其特征在于:所述步骤S2包括以下处理过程:S21:读取到原始图像后,将原始图像进行正则化;S22:再通过中心裁剪的方式,对图像背景进行裁剪。3.根据权利要求1所述的一种基于卷积Transformer的多模态医学图像分割方法,其特征在于:在所述步骤S3中,基于卷积Transformer的多模态医学图像分割模型采用U
‑
Net网络的编码器
‑
解码器对称结构,包括编码器、解码器、特征融合模块,其中,编码器、解码器均为五层,每一层均为一个Double Block模块,编码器、解码器的对应层之间跳跃连接,融合模块与解码器中各个Double Block模块分别连接,特征融合模块使用特征金字塔的特征后融合方式。4.根据权利要求3所述的一种基于卷积Transformer的多模态医学图像分割方法,其特征在于:所述Double Block模块采用双路并行结构,包括稠密卷积模块、ConvTF Block模块,稠密卷积模块和ConvTF Block模块在分别获取进入Double Block模块的张量后,分别进行卷积操作和获取注意力机制权重操作,最后ConvTF Block模块与稠密卷积模块的张量进行拼接再通过一个1
×
1的卷积进行通道数还原。5.根据权利要求4所述的一种基于卷积Transformer的多模态医学图像分割方法,其特征在于:所述稠密卷积模块的处理过程如下:X0=Conv
kernel=3
×3,
padding=1
(input)X
i
=Conv
kernel=3
×3,
padding=1
(Concat(X0,X1…
X
i
‑1))其中,input为进入稠密卷积模块的张量,X0,X1…
X
i
为通过每个卷积操作的输出结果,Conv为卷积操作,kernel为卷积核大小,padding为卷积填充长度,Concat表示进行张量拼接操作。6.根据权利要求5所述的一种基于卷积Transformer的多模态医学图像分割方法,其特征在于:所述ConvTF Bl...
【专利技术属性】
技术研发人员:方贤进,李想,杨高明,华楷文,张海永,赵婉婉,程颖,薛明均,
申请(专利权)人:安徽理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。