一种基于SNAU-Net的肝脏和肿瘤分割方法技术

本发明专利技术公开了一种基于SNAU‑Net的肝脏和肿瘤分割方法，包括：将待分割的医学图像输入训练后的器官分割模型，输出肝脏和肿瘤分割预测结果；模型的处理步骤包括：对医学图像进行补丁划分，生成非重叠的补丁；编码器部分通过依次首尾连接的线性嵌入层和若干组编码组件对划分的补丁进行处理，生成分层特征表示；瓶颈部分通两个SFTB模块对分层特征表示进行处理，生成中间特征表示；解码器部分通过依次首尾连接且与各组解码组件一一对应的三组解码组件对中间特征表示进行处理，生成最终特征表示；对最终特征表示进行上采样，并对上采样后的特征进行处理，生成像素级别的肝脏和肿瘤分割预测结果。本发明专利技术能够提高医学图像分割的质量和准确性。

【技术实现步骤摘要】

本专利技术涉及计算机及医学图像处理领域，具体涉及一种基于snau-net的肝脏和肿瘤分割方法。

技术介绍

1、器官和肿瘤分割是医学图像分析中关键的任务。从腹部ct图像中准确提取有关器官体积、位置和形状的信息通常需要医学专业人员对每个切片进行手动检查和描述。然而，这种手动过程对于诊断和治疗来说是耗时且效率低下的，尤其对于初级医生而言。因此，临床上迫切需要高效自动且准确的医学图像分割方法。

2、在过去的几十年中，已经提出并广泛研究了许多医学图像分割方法。传统方法，如基于边缘的方法、区域生长方法和水平集方法，在分割效率上相对于手动分割方法取得了显著的提高。然而，这些传统方法建立在手动特征设计和参数调整的基础上，其需要时间且容易出错。近年来，随着深度学习技术的出现，特别是卷积神经网络(cnn)，医学图像分割取得了重大进展。基于cnn的方法通过利用大规模标注的医学图像数据集进行模型训练，取得了显著的进步，它们具备自主学习特征和边界信息的能力，从而获得更准确的分割结果。

3、然而，传统基于cnn的方法在建模全局信息和提取多尺度特征方面常常遇到困本文档来自技高网...

【技术保护点】

1.一种基于SNAU-Net的肝脏和肿瘤分割方法，其特征在于，包括：

2.如权利要求1所述的基于SNAU-Net的肝脏和肿瘤分割方法，其特征在于：步骤S202中，SFTB模块包括依次首尾连接的第一层归一化层、多头自注意力模块、第二层归一化层、第一多层感知机、第三层归一化层、多头邻域注意力模块、第四层归一化层和第二多层感知机；第一层归一化层的输入为SFTB模块的输入，第二多层感知机的输出为SFTB模块的输出；

3.如权利要求2所述的基于SNAU-Net的肝脏和肿瘤分割方法，其特征在于：步骤S202中，SFTB模块的计算公式如下：

4.如权利要求3所述的基...

【技术特征摘要】

1.一种基于snau-net的肝脏和肿瘤分割方法，其特征在于，包括：

2.如权利要求1所述的基于snau-net的肝脏和肿瘤分割方法，其特征在于：步骤s202中，sftb模块包括依次首尾连接的第一层归一化层、多头自注意力模块、第二层归一化层、第一多层感知机、第三层归一化层、多头邻域注意力模块、第四层归一化层和第二多层感知机；第一层归一化层的输入为sftb模块的输入，第二多层感知机的输出为sftb模块的输出；

3.如权利要求2所述的基于snau-net的肝脏和肿瘤分割方法，其特征在于：步骤s202中，sftb模块的计算公式如下：

4.如权利要求3所述的基于snau-net的肝脏和肿瘤分割方法，其特征在于：多头自注意力模块的多头自注意力计算公式如下：

5.如权利要求3所述的基于snau-net的肝脏和肿瘤分割方法，其特征在于：多头邻...

【专利技术属性】
技术研发人员：蒋林峰，胡嘉妮，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：