一种基于深度联合变压器的前列腺三维图像分割模型与方法技术

本发明专利技术公开了一种基于深度联合变压器的前列腺三维图像分割模型与方法，属于计算机视觉、图像分割和人工智能技术领域，主要包括以下模块：深度联合变压器编码模块、池化融合关注解码模块。与现有技术相比，本发明专利技术针对前列腺三维图像数据设计了一种基于深度联合变压器的前列腺三维图像分割模型和方法。该模型通过深度联合变压器模块有效提取图像的全局和局部特征，同时学习上下文中的远距离语义信息。然后，这些信息传入到池化融合关注解码模块进行上采样，以融合不同尺度的特征并进一步解析样本的潜在特征，弥补上下采样过程中丢失的信息。该方法可以有效的分割三维前列腺图像中关键腺体区域，提高图像分割算法的性能。

【技术实现步骤摘要】

本专利技术所属的为医学图像分析领域，更具体地说，是涉及一种基于深度联合变压器的前列腺三维图像分割模型与方法。

技术介绍

1、前列腺癌是导致男性癌症死亡的第二大原因，磁共振成像技术(mri)因其高分辨率，常被临床用于前列腺疾病的检查和诊断。mri成像形成于射频脉冲、强磁场以及身体组织间的相互作用，然而其影像可能存在伪影和噪声。因此，对mri图像进行前列腺精准识别是非常具有挑战性的。

2、早期的前列腺分割方法主要依赖可变形方法、图谱配准和机器学习等。然而，这些分割方法在实际应用中受设备仪器的性能和前列腺类型的影响较大，导致分割结果的准确性较差且计算复杂度较高。近年来，深度学习因其具有自动表征学习能力，在医学图像分割和病灶类型识别等领域得到广泛地应用。卷积神经网络是深度学习的核心网络，具有强大的非线性表达能力，关键优势在于卷积层能够有效进行特征提取或降维。然而，这些网络主要通过级联进行组合，大部分工作集中于特征提取，特征解析对模型输出准确性的重要性往往被忽视。

3、为了解决上述问题，研究者们提出编码解码器对称结构的网络模型，它有效解决了医本文档来自技高网...

【技术保护点】

1.一种基于深度联合变压器的前列腺三维图像分割模型，其特征在于，包括深度联合变压器编码模块、池化融合关注解码模块；

2.根据权利要求1所述的一种模型，其特征在于，所述深度联合变压器编码模块包括联合变压器UTrans、深度卷积网络模块DCN和分组卷积感知模块GCP；补丁特征序列先通过一个深度卷积网络模块对像素特征进行局部提取，然后使用联合变压器探索局部重要信息和全局依赖关系；最后，通过分组卷积感知模块感知上下文语义之间的交互关系，进一步增强了对目标区域特征的提取能力；

3.根据权利要求2所述的一种模型，其特征在于，所述联合变压器由局部变压器和全局变压器组成，所述深度...

【技术特征摘要】

1.一种基于深度联合变压器的前列腺三维图像分割模型，其特征在于，包括深度联合变压器编码模块、池化融合关注解码模块；

2.根据权利要求1所述的一种模型，其特征在于，所述深度联合变压器编码模块包括联合变压器utrans、深度卷积网络模块dcn和分组卷积感知模块gcp；补丁特征序列先通过一个深度卷积网络模块对像素特征进行局部提取，然后使用联合变压器探索局部重要信息和全局依赖关系；最后，通过分组卷积感知模块感知上下文语义之间的交互关系，进一步增强了对目标区域特征的提取能力；

3.根据权利要求2所述的一种模型，其特征在于，所述联合变压器由局部变压器和全局变压器组成，所述深度卷积网络模块由一个深度卷积层、一个归一化层和激活函数组成，所述分组卷积感知模块由两个分组卷积层、一个归一化层以及激活函数组成。

4.根据权利要求2所述的一种模型，其特征在于，所述空间挤压和通道激励模块由池化层、全连接线性层、非线性relu变换、增强通道维的全连接层和sigmoid...

【专利技术属性】
技术研发人员：陆虎，蔡云瑶，
申请(专利权)人：江苏大学，
类型：发明
国别省市：