【技术实现步骤摘要】
本专利技术属于图像分割，更具体地说，涉及一种基于改进swin unetr网络的脑肿瘤mri图像分割模型及方法。
技术介绍
1、医学图像分割是精准医疗的关键处理步骤，用于自动将医学图像中的不同解剖结构、病灶区域或器官分离出来，准确地分割和定位病态区域在手术过程中至关重要。近年来，随着深度学习的快速发展，基于深度学习的方法凭借其卓越的性能取代了传统方法，广泛应用于脑肿瘤图像分割。
2、目前在医学图像分割领域，主流的基于深度学习的图像分割方法包括：(1)fcn(fully convolutional network)，是分割任务中的早期应用之一，将传统卷积神经网络中的全连接层替换为卷积层，使得模型能够处理任意大小的输入图像并生成分割图；(2)u-net：是一种专为生物医学图像分割设计的网络结构，使用编码器-解码器架构，编码器提取图像的特征信息，解码器通过跳跃连接将编码器的高分辨率融合，恢复图像的空间细节信息，这种u形结构设计使得u-net能够在医学图像中有效地保留局部细节，是目前医学图像分割的经典方法；(3)swin transf...
【技术保护点】
1.一种基于改进Swin UNETR网络的脑肿瘤MRI图像分割模型，其特征在于，该模型以Swin UNETR为基线模型进行改进得到，具体包括：
2.根据权利要求1所述基于改进Swin UNETR网络的脑肿瘤MRI图像分割模型，其特征在于，所述卷积融合模块包括两个分支，第一个分支采用深度可分离卷积，第二个分支采用空洞卷积，两个分支的输出特征经融合后输入到注意力机制模块中。
3.根据权利要求1所述基于改进Swin UNETR网络的脑肿瘤MRI图像分割模型，其特征在于，所述注意力机制模块采用SimAm注意力机制。
4.根据权利要求1-3中...
【技术特征摘要】
1.一种基于改进swin unetr网络的脑肿瘤mri图像分割模型，其特征在于，该模型以swin unetr为基线模型进行改进得到，具体包括：
2.根据权利要求1所述基于改进swin unetr网络的脑肿瘤mri图像分割模型，其特征在于，所述卷积融合模块包括两个分支，第一个分支采用深度可分离卷积，第二个分支采用空洞卷积，两个分支的输出特征经融合后输入到注意力机制模块中。
3.根据权利要求1所述基于改进swin unetr网络的脑肿瘤mri图像分割模型，其特征在于，所述注意力机制模块采用simam注意力机制。
4.根据权利要求1-3中任一项所述的基于改进swin unetr网络的脑肿瘤mri图像分割模型，其特征在于，所述编码器由四个层级组成，每个层级包含两个transformer块，用于提取多尺度的图像特征，所述transformer块将原有的mlp模块替换为设计的smlp模块，该smlp模块包括四个并行的分支，其中三个分支用于通过卷积操作分别捕捉垂直、水平和前后方向的特征信息，第四个分支通过残差连接直接保留输入特征的原始信息；最终，这四条分支的特征信息被融...
【专利技术属性】
技术研发人员：袁志祥，周帅豪，任诗流，黄俊，张海明，
申请(专利权)人：安徽工业大学，
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。