← 返回列表
一种Transformer和卷积融合的医学图像分割方法及系统
申请人信息
- 申请人:江西师范大学
- 申请人地址:330000 江西省南昌市高新技术开发区紫阳大道99号
- 发明人: 江西师范大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种Transformer和卷积融合的医学图像分割方法及系统 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410175434.9 |
| 申请日 | 2024/2/8 |
| 公告号 | CN117746045A |
| 公开日 | 2024/3/22 |
| IPC主分类号 | G06V10/26 |
| 权利人 | 江西师范大学 |
| 发明人 | 万欢; 魏欣; 孙佳成 |
| 地址 | 江西省南昌市紫阳大道99号 |
摘要文本
本申请公开了一种Transformer和卷积融合的医学图像分割方法及系统，该方法包括：首先获取医学图像数据并对医学图像数据数据预处理形成数据集，再将数据集输入构建的Transformer和卷积神经网络结合的多尺度医学图像分割模型进行训练，再通过由Dice损失函数、二分类交叉熵损失函数和基于Tversky的适当约束损失函数综合而成的混合损失函数，根据所述混合损失函数得到优化模型，利用该优化模型对待测医学图像测试集进行预测，以得到预测结果。该方法能够解决基于卷积神经网络的方法和基于Transformer的方法都无法同时关注到图像的全局特征和局部细节特征，以及由于医学图像数据集存在遮掩部分，导致图像分割中存在的过拟合问题。
专利主权项内容
1.一种Transformer和卷积融合的医学图像分割方法，其特征在于，所述方法包括：获取医学图像数据集，并对所述医学图像数据集进行预处理，所述预处理包括数据增强操作；构建基于Transformer和卷积神经网络结合的多尺度医学图像分割模型，所述多尺度医学图像分割模型包括图像编码器和图像解码器；在所述图像编码器中使用基于Transformer的架构，以使网络关注全局特征；在所述图像解码器中采用具有3个分支的条状局部增强模块来捕获增强的局部特征，使用渐进式特征融合模块来融合分层局部Transformer，以消除高层特征与低层特征的特征间隙；构建混合损失函数, 所述混合损失函数包括Dice损失函数、二分类交叉熵损失函数和基于Tversky的适当约束损失函数，并使用所述预处理后的医学图像数据集对所述多尺度医学图像分割模型进行训练，根据所述混合损失函数得到最优模型；使用训练好的所述最优模型对待测医学图像测试集进行预测，以得到预测结果。。