[發明專利]融合SwinTransformer和CNN的肝腫瘤圖像分割方法

在審

• 申請號: 202210397446.7
• 申請日: 2022-04-15
• 公開（公告）號: CN114820634A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 艾山·吾買爾;潘詩杰;李冬;早克熱·卡德爾;石瑞;辛向哲
• 申請（專利權）人: 新疆大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08;G06T5/40;G06T5/50
• 代理公司: 深圳國聯專利代理事務所(特殊普通合伙) 44465
• 代理人: 王天興

本發明公開了一種融合SwinTransformer和CNN的肝腫瘤圖像分割方法，涉及醫學圖像處理技術領域，該熱粘合隱形襪的制造方法分為：裁剪、縫合、定位、粘合、沖片、縫合六步進行，該熱粘合隱形襪采用彈性針織面料制造，分為襪底、襪幫、后跟點塑片和熱熔膠膜四部分組成。其中襪底和襪幫作為產品主身構件，而后跟點塑片起到防脫落，防滑的作用；熱熔膠膜主要用于羅口及后跟，其特征為輕薄，平整，有彈性，穿著舒適；襪幫和襪底通過數控縫紉機縫合，羅口及后跟熱熔膠粘合。該熱粘合隱形襪產品美觀、輕薄、平整、有彈性、工序少、成本低。

技術領域

本發明涉及醫學圖像處理技術領域，特別涉及一種融合SwinTransformer和CNN的肝腫瘤圖像分割方法。

背景技術

肝腫瘤，也叫肝癌，比起良性腫瘤發生的更為普遍。在以往的臨床應用中，一般都是先由醫生從患者的計算機斷層掃描(Computer Tomography,CT)結果中人工的去區分出肝臟與癌變區域，然后再進行后續的建模和治療過程。但是隨著數據量的爆增，人工標注的方式就顯得耗時巨大和效率低下。在整個流程中還有一點不容忽視的是，只有有著豐富臨床實踐經驗的醫生才能做到精準分割。近年來常見的計算機輔助診斷方法有基于傳統的圖像分割方法：閾值法(Threshold)、區域生長(Region Growing)等。在機器學習方面主要用聚類算法、支持向量機(Support Vector)、AdaBoost等方法。不過，無論是傳統方法還是基于一般的機器學習圖像分割方法，并不是一個端到端的分割模型，提取特征都需要人工的干預，效率低下且性能不高。當面臨和訓練數據特征分布不一致的數據時，效果表現得不理想——準確率不高，泛化能力不強。

現有基于深度學習的分割方法比傳統方法步驟更簡單、效率更高、分割效果更好，但是由于標準數據資源稀少、模型表征能力有限、圖像復雜度較高等問題的限制，當前的網絡仍然不能達到臨床所需的效果。。

發明內容

本發明所要解決的技術問題是提供一種融合SwinTransformer和CNN的肝腫瘤圖像分割方法，以提高肝臟腫瘤分割精度為目標，主要用來解決傳統CNN通過堆疊卷積層由淺入深獲取全局信息的過程中損失信息過多，在深層并不能充分的提取出高級語義信息。

為實現上述目的，本發明提供以下的技術方案：

該融合SwinTransformer和CNN的肝腫瘤圖像分割方法包括如下步驟：

(1)數據獲取和基本分割模型選取:

1)數據獲取。本發明所有實驗使用的都是MICCAI2017和ISBI2017聯合舉辦的肝臟腫瘤分割挑戰賽(Liver Tumor segmentation challenge,LiTS)所公開的數據集。

2)基本分割模型選取。2021年國際醫學圖像計算和計算機輔助干預國際會議(MICCAI)上提出的分割框架TransUNet，是第一個從序列到序列預測的角度利用自注意力機制設計的醫學圖像分割網絡，帶來了較高的分割性能。因此本發明在實驗部分使用TransUNet作為基礎模型，在上邊進行改進。

(2)數據預處理：首先通過對每一層提取變為二維圖像，共得到4522張圖片，分辨率都為224×224，按照7:3的比例劃分為訓練集、驗證集。

(3)確定損失函數：采用Dice損失函數和交叉熵損失函數混合后的損失函數。詳細公式如下：

L＝αL_Dice+(1-α)L_CE#(1)

(4)確定評價指標：下面所有式子中，TP和TN表示分類正確的像素點數量。FP表示為其它區域被錯誤的分類為目標的個數。FN表示為目標區域被錯誤的分類為其它區域的像素個數。

1)Dice系數(Dice Similrity Coefficient)：