[发明专利]基于Transformer和卷积神经网络的三维医学图像分割方法

说明书

本发明提出一种基于Transformer和卷积神经网络的三维医学图像分割方法，包括以下步骤：步骤S1：对原始医学图像的标签图的边缘进行逐类提取；步骤S2：对原始医学图像的原图、标签图和标签图的边缘图像进行随机翻转、旋转和缩放处理；步骤S3：将处理后的图像输入医学图像分割模型进行各类组织器官的分割；所述医学图像分割模型是由训练集数据经过标签图的边缘提取后再对原图、标签图和标签图边缘图像随机翻转、旋转和缩放处理后产生的图像数据在基于Transformer和卷积神经网络的结合形态结构学习的网络模型进行训练获得。应用该技术方案可实现增强最终分割结果的准确性。

技术领域

本发明涉及图像处理技术领域，特别是一种基于Transformer和卷积神经网络的三维医学图像分割方法。

背景技术

作为医学图像分析的关键步骤，病灶、脏器的自动分割方法成为当前研究热点，这不仅是为了应对与器官相关的疾病的不断增加的情况，还是因为自动分割可以在大大减少人为因素干扰的情况下，区别出不同特征数据的结构信息从而更好地进行功能及差异分析。

研究医学图像三维分割技术实现自动化判读，可为医生提供更准确的诊断依据。当前医学图像的分割方法主要可分为两类：(1)基于传统图像处理的医学图像分割方法；(2)基于机器学习的医学图像分割方法。基于传统图像处理的医学图像分割方法主要由特征提取以及分类器所构成，不依赖训练样本，优点在于算法运行时间快，周期短，以及算法流程可视化，可以比较直观地看到算法中间处理的结果。基于机器学习的医学图像分割方法主要有基于传统机器学习算法和深度学习算法。鉴于深度学习算法强大的特征表征能力。目前大多数图像分割方法采集基于深度学习方法。基于深度学习的医学图像分割是一种数据驱动的算法，该算法需要从带有大量标注的训练数据集中学习数据之间的规律性信息，确定分割模型的参数，优点在于深度学习中的特征提取是通过大量的训练来自主学习，减少了人力成本，与传统图像处理方法相比，深度学习的泛化性更高，且最终的分割效果通常也更加精确。

虽然大多数算法已经对医学图像的分割可以达到一定精确度，但是包括U-Net在内的许多神经网络的一个共同缺点是缺乏可解释性。因为这些神经网络是通过许多卷积层之间相连而搭建起来的，所以要将它正在学习的特征可视化就变得很有挑战性。这使神经网络成为一个“黑盒子”，使得在试图找到错误分类的根本原因时带来了挑战。此外，CNN受密集像素值的影响很大，与物体形状信息相比，这些像素值不具有鲁棒性特征。

发明内容

有鉴于此，本发明的目的在于提供一种基于Transformer和卷积神经网络的三维医学图像分割方法，实现增强最终分割结果的准确性。

为实现上述目的，本发明采用如下技术方案：基于Transformer和卷积神经网络的三维医学图像分割方法，包括以下步骤：

步骤S1：对原始医学图像的标签图的边缘进行逐类提取；

步骤S2：对原始医学图像的原图、标签图和标签图的边缘图像进行随机翻转、旋转和缩放处理；

步骤S3：将处理后的图像输入医学图像分割模型进行各类组织器官的分割。

在一较佳的实施例中：所述步骤S1具体包括以下步骤：

步骤S11：通过独热编码One-Hot对医学图像的标签图的各个类别进行逐通道的分离，每个通道代表一个类别；

步骤S12：对分离出来的每个类别通道进行边缘提取，然后压缩成一个通道，得到最终的各类组织器官的边缘。

在一较佳的实施例中：所述步骤S2具体包括以下步骤：

通过python内置的random函数随机生成在区间[0,1]的一个数作为图像翻转、旋转的概率，并将处理后的图像缩放至指定大小。

在一较佳的实施例中：所述步骤S3具体包括以下步骤：