基于联合深度网络和形态结构约束的三维医学图像分割方法

摘要：

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割.基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预.而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性.本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法.编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性.在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性.其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集.实验结果表明,在Synapse上使用不同的优化器的Dice相似系数(DSC)和HD均值可以达到76.67％和25.18 mm(SGD优化器)及82.80％和21.07 mm(Adam优化器);在ACDC上不同的优化器的DSC可以达到90.65％(SGD优化器)及91.75％(Adam优化器),与其他方法相比具有一定的优势.所提出的方法对三维医学图像分割中的错分割问题有所改善,并提高了图像分割任务的性能.

关键词：三维医学图像、图像分割、Transformer、卷积神经网络、形态结构约束

所属期刊栏目：42

分类号：R318(医用一般科学)

资助基金：国家自然科学基金;福建省自然科学基金项目

在线出版日期：2023-04-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：30-40