申请/专利权人:长春工业大学
申请日:2024-04-09
公开(公告)日:2024-06-21
公开(公告)号:CN118229695A
主分类号:G06T7/10
分类号:G06T7/10;G06N3/045;G06N3/0455;G06N3/0464;G06T7/00
优先权:
专利状态码:在审-公开
法律状态:2024.06.21#公开
摘要:本发明提出了一种基于PCCTrans的医学图像分割方法。该方法包括:第一,将医学图像分别经过两次下采样方法,得到三组不同尺寸大小的图像并输入到网络模型的前三层解码器;第二,本发明构建了分割模型PCCTrans,浅层编码器和解码器由提出的ContextualTransformer和卷积并行混合模块构建;第三,深层编码器和解码器由提出的FullyConvolutionalTransformer和卷积并行混合模块构建;第四,将U型网络中的普通跳跃连接更换为挤压和激发注意力跳跃连接,增强网络对输入特征图中不同通道的关注;第五,在解码器的最后,使用提出的多尺度融合输出模块,融合模型学习到的特征以提升分割效果。本发明中的网络模型采用全并行结构,独立构建分层局部和全局表示,并在每个阶段融合它们,充分发挥CNN和Transformer的潜力。实验结果表明,所述基于PCCTrans的医学图像分割方法在各种医学图像分割任务上相对于其他竞争方法的优越性,能够实现不同器官的精准分割。
主权项:1.一种基于PCCTrans的医学图像分割方法,具体的实现步骤如下:步骤一,将医学图像分别经过两次下采样方法,得到三组不同尺寸大小的图像并输入到网络模型的前三层解码器;步骤二,本发明构建了分割模型PCCTrans,浅层编码器和解码器由提出的ContextualTransformer和卷积并行混合模块CoTConv并行混合模块构建;步骤三,深层编码器和解码器由提出的FullyConvolutionalTransformer和卷积并行混合模块FCTConv并行混合模块构建;步骤四,将U型网络中的普通跳跃连接更换为挤压和激发注意力跳跃连接,增强网络对输入特征图中不同通道的关注;步骤五,在解码器的最后,使用提出的多尺度融合输出MultiscaleFusion,MSF模块,融合模型学习到的特征以提升分割效果。
全文数据:
权利要求:
百度查询: 长春工业大学 一种基于PCCTrans的医学图像分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。