![点击分享此内容可以赚币 分享](/master/images/share_but.png)
面向医学图像分割的CNN与Transformer混合模型.pdf
《面向医学图像分割的CNN与Transformer混合模型.pdf》由会员分享,可在线阅读,更多相关《面向医学图像分割的CNN与Transformer混合模型.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷第 期 年 月北京信息科技大学学报(自然科学版)()文 章 编 号:():面向医学图像分割的 与 混合模型王茜,蔡英,范艳芳,王昀(北京信息科技大学 计算机学院,北京 )摘要:由于医学图像具有对比度低、目标形态复杂和边缘模糊等特点,现有模型的分割准确度无法满足高精度建模和自动化手术的要求。针对这一情况,结合卷积神经网络(,)出色的局部特征提取能力和 长距离建模的优势,提出了一种基于二者的混合架构分割模型 。是一种型结构分割模型,其编码器与解码器均采用 与 并联的混合架构,利用 提取局部细节特征,同时利用 建立长距离依赖,有效提高了分割准确度。在 和 数据集上的对比实验结果表明,骰子系数相
2、较于流行的 和 均有明显提升。关键词:医学图像分割;卷积神经网络;混合架构中图分类号:文献标志码:,(,):,(),:;();收稿日期:基金项目:北京市自然科学基金 海淀原始创新联合基金项目()作者简介:第一作者:王茜,女,硕士研究生;通信作者:蔡英,女,博士,教授。引言医学图像是通过各种医学影像设备,如 射线、计算机断层扫描(,)、磁共振成像(,)等,获取的展示人体内部器官结构或病变形态的图像。这些图像直观地展示了人体的内部状况,可以为医生提供准确清晰的人体内部结构信息,提高诊断准确率。医学图像分割 是在医学图像中标记出病变区域或者特定的器官、组织的医学图像处理技术。其标记结果可作为医生进一
3、步诊断的参考,提高工作效率;也可用于三维建模处理,为医生和研究人员提供更多、更直观的人体内部信息,提高诊疗准确性或教学效果;甚至可以用通俗的语言在分割结果上标示出病灶的大小北京信息科技大学学报(自然科学版)第 卷和性质,辅助患者了解病情。因此,在医生资源紧缺的当下,医学图像分割技术具有重要的研究意义。目前被广泛应用于医学图像分割领域的基础网络模 型 有 卷 积 神 经 网 络(,)和 。等 在 年提出了完全基于 的图像分割模型 全卷积网络(,),首次将 用于图像分割任务。为此该模型去除了用于分类任务的全连接层,使模型可以适用于不同分辨率的图像,且引入了编码器 解码器结构和上采样的概念,在编码器
4、层对图像进行降采样和提取特征,在解码器层进行上采样和融合特征,最终得到和原图分辨率相同的像素级标注结果,从而实现对图像的分割。等 在其基础上提出了一种专门用于医学图像分割的 型网络 ,同样基于编码器 解码器结构,并加入了跳跃连接层连接对应的编码器层与解码器层,使解码器接受更多的输入信息,可以对不同层次的特征进行充分的融合,有效提升了分割准确度。等 对 做了进一步改进,将平行的跳跃连接结构进行扩充,使其变为网状,可以充分融合各个层次的特征。等 提出的 网络,采用了更加灵活的全尺寸跳跃连接()方式,将不同层级的特征图进行跳跃连接,帮助网络更好地捕捉和融合不同尺度的特征,有效地提高了模型的准确性和鲁
5、棒性。的局部特征提取能力很出色,但是由于其输入区域受限、感受野较小的缺点,难以进行长距离建模,无法捕捉相距较远的特征之间的联系。虽然 等 在残差网络(,)中提出的残差连接思想可以使 堆叠很多层,以此来捕捉高层语义信息,但是从效果和计算效率来看,的 长 距 离 建 模 能 力 都 远 逊 于 。最 初 被 用 于 机 器 翻 译 任 务,最 早 由 等 提出的 ()网络将 应用于计算机视觉领域。等 舍弃了传统的 结构,完全使用 作为编码器不断地对图片进行降采样处理得到高层的语义信息,然后用解码器将高层语义还原到 原 始 图 片 的 尺 寸。等 提 出 的 也是一种 型分割网络,它在最后一层特征的
6、处理上采用多头自注意力(,)机制来建立长距离依赖,并且在跳跃连接 层 加 入 多 头 交 叉 注 意 力(,)机制来过滤特征中的噪声,强化特征在通道层面的融合。等 提出了门控位置敏感轴向注意力(,),将自注意力机制分为 个模块,第一个模块在图像的高度方向做门控注意力,第二个模块在图像的宽度方向做门控注意力,使其在小数据集上依旧运行良好。是一种完全基于 的 型分割模型,该模型将 中的 模块替换为 模块,在最高层语义上使用 个窗口自注意力模块进行全局建模,并且在解码器端引入图像块扩展()操作进行上采样,使模型最后的输出尺寸与原始输入相同。由 等在 年提出,是一种专门用于医学图像分割的 和 混合模型
7、,在编码器的最后加入 层 模块提取高层特征。医学图像一般是灰度图像,且由于其边缘较为模糊,需要特别注意边缘细节信息的提取。因此,使用 作为医学图像分割模型的基础架构较为合适。但是,的长距离建模能力较弱,无法建立起分割目标和图像中其他部分之间的联系,导致模型只使用 结构时分割精度达不到精细建模的要求。因此,采用 与 混合架构的分割模型是当前的研究热点。针对主流分割模型 与 存在的对图像细节提取能力较弱和无法充分抽取中层语义信息的缺点,本文提出了 与 并联的混合架构 型分割模型 ,利用 提取局部细节特征,同时利用 建立长距离依赖,提高医学图像分割准确度。模型 模型结构 的整体结构与 类似,采用编码
8、器 解码器和跳跃连接架构,如图 所示。编码器由 层串联的编码器块()组成,依次提取不同层次的特征并对特征进行下采样。解码器由 层串联的解码器块()组成,依次进行特征融合并对特征进行上采样。每层解码器都与对应的编码器通过 卷积或 编码器进行跳跃连接,接收编码器提取到的特征,并与上层解码器的输出进行特征融合。与 不同的是,的跳跃连接不是单纯地将编码器的输出输入到对应的解码器层中,而是在前 层采用 卷积对编码器块中 分支和 第 期王茜等:面向医学图像分割的 与 混合模型分支提取到的特征进行融合,在最后一层则采用 编码器进行同样的处理。这种跳跃连接结构可以提取到更丰富的语义特征。的混合架构可以充分发挥
9、 的局部特征提取能力和 的长距离建模能力,提升模型的分割效果。图 模型结构 编码器块采用 与 并联的结构,如图 所示。图 编码器块结构 当原始图片或上一层得到的特征图输入编码器块之后,分为 支并行计算。这一分支先 进 行 图 像 块 分 割()和 嵌 入(),图像块大小为 ,与 分支的池化层尺寸相同,然后使用 层堆叠的 块进行长距离建模。分支使用 层 卷积进行细节特征提取,并使用 的最大池化层进行降维。其中,嵌入的维度和 卷积核的个数相等。最后,将 个分支得到的特征变换为相同的维度之后相加,得到最终的输出。除最后一层编码器块之外,最终输出都要进入下一层编码器块进行计算,同时要经过 卷积或 编码
10、器和对应的解码器块进行跳跃连接,因此要对输出进行相应的维度变换。是由 等 提出的可以将 应用于各种计算机视觉任务的基础模型,其结构如图 所示。该模型采用图像块分割的方式将图像分割成许多图像块,以图像块为基础进行注意力计算。块是该模型的核心模块,该模块由 层堆叠的 编码器组成,并且在第一个 编码器中引入窗口多头自注意力(,)显著降低模型的计算量,在第二个 编码器中利用滑动窗口多头自注意力(,)机制建立不同窗口内的图像块之间的联系。图 块 解码器块的结构与编码器块相似,如图 所示。解码器块首先将上层解码器块的输入与对应解码器层的跳跃连接输入相加,然后经过图像块扩展模块上采样之后,进行 计算,同时
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 医学 图像 分割 CNN Transformer 混合 模型
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。