[发明专利]一种基于卷积和可变形自注意力机制的医学影像分割方法

权利要求书

1.一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：包括如下步骤：

步骤S1：对CT图像进行预处理和数据增强；

步骤S2：构建基于卷积和可变形自注意力机制的U-Net架构模型Med-CaDA；

步骤S3：对步骤S2构建的U-Net架构模型采用Dice损失函数；

步骤S4：采用Adam优化算法训练步骤S2构建的U-Net架构模型；

步骤S5：采用Dice Score和95％Hausdorff distance两个指标衡量分割准确性。

2.如权利要求1所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：步骤S1中，预处理采用Z-score的方法进行标准化，数据增强包括填充、随机裁剪、随机翻转、随机强度偏移。

3.如权利要求1所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：步骤S2所述U-Net架构模型由编码器、解码器和跳跃连接组成，编码器包括Embedding层、卷积和可变形自注意力机制组成的CaDA块、下采样层，解码器包括上采样层，CaDA块，扩展层。

4.如权利要求3所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：所述的Embedding层用于将输入图像映射到多维空间，输出尺寸为

5.如权利要求3所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：CaDA块用于局部全局信息提取，包含卷积组成的瓶颈残差模块和可变形自注意力机制，瓶颈残差模块由两个1×1×1卷积和一个深度可分离卷积组成，用于局部信息提取并保证输入输出特征图尺寸一致。瓶颈残差模块可表示为：

Bottleneck(X)＝Conv(F(Conv(X))) (1)

F(X)＝DWConv(X)+X (2)

其中Conv()代表卷积，DWConv()代表深度可分离卷积。

6.如权利要求3所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：所述的下采样层和上采样层分别为2×2×2卷积和2×2×2反卷积。

7.如权利要求4所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：扩展层采用4×4×4反卷积将特征图由还原到原图H×W×D×K，其中K为最终分割类别数量。

8.如权利要求1所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：所述步骤S3由以下公式实现：

|A∩B|表示A和B之间的交集，|A|和|B|分别表示A和B的元素个数。

9.如权利要求1所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：步骤S4所述Adam优化算法学习率设置为1e-4。

10.如权利要求1所述的一种基于卷积和可变形自注意力机制的医学影像分割方法，其特征在于：步骤S5的Dice score指标为：

95％Hausdorff distance指标为：

其中distance(a,b)是计算ab两点距离，A、B为两个不规则区域。