[发明专利]全局和局部特征同时提取与融合的多器官分割方法及装置

权利要求书

1.全局和局部特征同时提取与融合的多器官分割方法，其特征在于：其包括以下步骤：

(1)对CT图像进行预处理；

(2)设计卷积神经网络CNN和Transformer并行编码器结构，同时使用CNN和Transformer编码器分别提取图像局部特征和全局特征；并行编码器包括CNN和Transformer编码器各一个，CNN编码器采用连续三维卷积块，Transformer编码器为连续三维Swin Transformer块，编码器各个阶段间均通过跨度为2的卷积实现降采样；

(3)进行特征交换、特征一致性损失评估、特征融合，融合两种编码器特征，消除CNN和Transformer特征的差异性，提升特征融合效果，保证解码器输入特征的一致性和有效性。

2.根据权利要求1所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(1)包括图像重采样、像素值裁剪、像素值归一化。

3.根据权利要求2所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征交换的输入为某一尺度i下的CNN特征C_i和Transformer特征T_i，输出为C_Ti和T_Ci，i＝1，2，3，通过如下公式表示：

C_Ti＝F_att(F_hw(C_i))

T_ci＝F_att(F_hw(T_i))

函数F_hw(·)表示不同特征图加权得到混合加权特征图C_w和T_w的过程：

F_hw(C_i)＝C_i*W_c+T_i*W_tc

F_hw(T_i)＝T_i*W_t+C_i*W_ct

其中*为逐像素相乘操作，W_c、W_tc、W_t、W_ct为各个特征图的权重；函数F_att(·)表示特征耦合过程，经加权得到的混合加权特征图除有用信息外仍包含其余无关信息，经过卷积操作重新映射和sigmod函数激活，起到抑制无关信息，突出关键信息的作用，具体过程如下：

F_att(C_Ti)＝Sigmod(Conv(C_w))*C_w

F_att(TC_i)＝Sigmod(Conv(T_w))*T_w

其中Conv为跨度为1*1*1，卷积核大小为3*3*3的卷积操作，

Sigmod为sigmod函数。

4.根据权利要求3所述的全局和局部特征同时提取与融合的多器官分割方法，其特征在于：所述步骤(3)的特征融合对两种特征进行充分耦合，表示为：

D＝F_h(F_h(C₃+T₃))

其中函数F_h(·)表示为：

F_h(x)＝relu(conv(x))*sigmod(conv(x))

其中relu表示Relu函数；

Transformer和CNN编码器特征图输入后，直接进行相加得到混合特征图。