一种基于Swin Transformer与CNN并行网络的医学图像分割方法技术

本发明专利技术提出了一种基于Swin Transformer与CNN并行网络的医学图像分割方法。该方法包括：第一，将医学图像统一经过nnUNet默认的方式处理后输入网络模型；第二，本发明专利技术构建了分割模型PHUNet，采用Swin Transformer和CNN构建的并行混合模块搭建主干网络来完成编码和解码任务；第三，将U型网络中的普通跳跃连接更换为跨层特征增强模块（CLFE模块），以增强低层特征与跨层特征的学习能力；第四，加入空间和信道挤压与激励模块（SCSE模块），给予位置更高的激活度，重新校准激励网络学习更有意义的特征，并增强局部区域的显著特征。本发明专利技术采用并行混合模块（PH Block）贯穿整个网络，同时聚合全局和局部表示，并采用CLFE模块和SCSE模块增强了跳跃连接融合的特征。实验结果表明，所述基于Swin Transformer与CNN并行网络的医学图像分割方法能够实现不同器官的准确分割。

【技术实现步骤摘要】

本专利技术属于图像分割，具体地讲，设计一种基于swin transformer与cnn并行网络的医学图像分割方法，实现不同器官的准确分割。

技术介绍

1、医学图像的广泛应用已经改变了现代医学的面貌，使医生能够更全面地理解人体结构，不再像过去那样依赖于有限的触摸和经验。医学图像检查已成为疾病诊断的标准程序，医学图像所提供的信息已成为医生确定治疗方案的关键依据。然而，目前医学图像的分割通常需要有经验的医生手动标注可疑的病灶区域，这一过程非常耗时费力。此外，完全依赖人工标注的方法容易受到多种因素的影响，如医生疲劳、主观判断等，这可能导致误诊和不必要的矛盾。

2、在人工智能的大背景下，通过辅助手段来精确分割医学图像中的目标区域已成为一个重要的研究课题。合适的方法可以提高整个治疗过程的效率，改善患者的就诊体验。近年来，随着计算机技术和人工智能的快速发展，卷积神经网络（convolutional neuralnetwork，cnn）强大的建模能力被广泛研究。相比传统的算法，基于卷积神经网络的深度学习算法在图像处理各领域带来了突破性的进展，如图像分类、语义分本文档来自技高网...

【技术保护点】

1.一种基于Swin Transformer与CNN并行网络的医学图像分割方法，具体的实现步骤如下：

2.根据权利要求1所述的基于Swin Transformer与CNN并行网络的医学图像分割方法，其特征在于：所述步骤一图像进行预处理具体为：数据预处理采用nnUNet默认的处理方式，数据划分采用nnFormer的数据划分方式。

3.根据权利要求1所述的基于Swin Transformer与CNN并行网络的医学图像分割方法，其特征在于：所述步骤二中，构建分割模型PHUNet，采用Swin Transformer和CNN构建的并行混合模块搭建主干网络来完成编码和解码任...

【技术特征摘要】

1.一种基于swin transformer与cnn并行网络的医学图像分割方法，具体的实现步骤如下：

2.根据权利要求1所述的基于swin transformer与cnn并行网络的医学图像分割方法，其特征在于：所述步骤一图像进行预处理具体为：数据预处理采用nnunet默认的处理方式，数据划分采用nnformer的数据划分方式。

3.根据权利要求1所述的基于swin transformer与cnn并行网络的医学图像分割方法，其特征在于：所述步骤二中，构建分割模型phunet，采用swin transformer和cnn构建的并行混合模块...

【专利技术属性】
技术研发人员：冯云丛，苏建瑜，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：