教学课程资源库 更多>>

关键词： 深度学习   医学图像处理   辅助诊断算法   可变形卷积  

摘要： 作为一种新颖的深度学习网络层,可变形卷积近年来因为其独特的适应能力和较好的性能表现得到领域内广泛认可。本工作的主要研究目的是探究可变形卷积在医学影像分析中的应用,在网络中引入了可变形卷积,并辅以一些其它新颖的模块或机制,以此针对性地提高模型在某些特定疾病中的预后预测性能。从基础的单切片研究,深入到多切片研究,最后延伸到多序列研究,随着临床应用场景的逐渐复杂化,对深度学习算法逐步提出了更高要求。按照数据维度、问题复杂度、关键问题层次均不断递增的顺序,逐渐将可变形卷积的应用研究引向深入。同时,以临床价值为导向,分析各种疾病辅助诊断的难点。 自本研究开展以来,针对基于深度学习的医学影像辅助诊断算法展开了深入的研究。本工作主要研究了目前较新的可变形卷积,不断改进可变形卷积的内部设计,并依托医学领域中多个实际的临床问题依次开展验证。主要的工作包括: ·基于单张典型切片的空间信息提取研究中,选取乳腺癌患者的腋下淋巴结转移性为研究对象,分析其小目标问题、特征提取问题、信息传递问题。回顾性分析对比增强计算机断层扫描(Contrast-enhanced Computed Tomography,简称CECT)图像的特殊性和诊断腋下淋巴结是否转移的可行性。在目前临床诊断的背景下,充分考虑医院应用辅助诊断的实际需求,针对局部病灶样本较小的情况,重点研究了多尺度特征融合机制,设计了跨尺度的跳跃连接用于形成不同尺度的信息互通。在可变形卷积层的基础上进一步改进可变形机制,融合卷积注意力模块的空间注意力,设计出了可变形降维模块,在新维度上融合不同尺度的特征图并对其实现特征降维。基于VGG19网络结构进行改进,参考Res Net中的残差结构,设计了多尺度残差结构的可变形VGG19模型,将可变形降维模块以即插即用方式,替代模型中的多个池化层。在对比实验中,可变形VGG19模型在指标上的表现和综合性能均超过其它模型。通过消融实验证明了可变形降维模块内特征融合机制和注意力机制的有效性,也将可变形降维模块应用于VGG16结构上,同样实现了模型性能提升,证明了模块作为即插即用模块的兼容性。 ·基于多切片CECT序列的上下文信息融合研究中,选取肝硬化患者的食管胃静脉曲张破裂复发出血症状为研究对象,分析其切片筛选问题、轻量结构设计问题、上下文结合问题。回顾性分析五年内登记病例的CECT图像序列和一年随访的结果。预先采用肝脏、食管下段和脾脏三个器官数据作为分析对象,开展器官与术后复发出血的关联性研究,从而得到后续筛选切片的依据。基于可变形机制,参考Mobile Net中的深度可分离卷积结构的搭建,设计了可变形分离卷积模块,不仅具有在全维度上的采样能力,也能融合相邻切片的上下文信息。利用2D-CNN、3D-CNN、可变形分离卷积模块等多种结构,精心设计了变形多切片融合网络,通过特征提取器、多层信息融合子网络、立体信息整合子网络三部分处理CECT序列的海量信息。通过实验对比三种典型图像序列网络结构与提出的多切片融合网络,本工作模型在大多数指标上表现最优,ROC曲线和P-R曲线中反映的AUC和F1-Score指标也验证了综合性能。通过两组消融实验,分别证明了可变形分离卷积模块和多切片融合网络的设计合理性。最后对神经网络进行可视化,纳入测试集中前三个阳性样本和前三个阴性样本分析,以增强研究工作的可解释性。 ·基于核磁共振成像(Magnetic Resonance Imaging,简称MRI)多序列的模态间信息交互研究中,选取宫颈癌患者的肿瘤分期为研究对象,分析其小样本问题、序列统一问题、多序列交互问题。系统地调研了现有的相关研究成果,结合医学临床病理与影像成像原理,分析特征图中各个维度的物理意义。针对突出的小样本问题,为了缓解过拟合现象,设计了一种特殊的针对顺序排列样本的序列增强策略,在切片维度上增加数据多样性。在单序列多切片模型的基础上,研究序列间的信息融合机制,将Conv LSTM与可变形卷积深度融合,形成可变形Conv LSTM模块,使网络有能力在序列内信息整合阶段充分融合各个切片上的信息,将有价值信息从庞大的数据中提炼出来。针对宫颈癌患者MRI的多个影像序列数据,设计了新颖的多模态联合分析模型,利用最终通过实验论证了提出方案的有效性,实现对病例MRI多个序列的分期预测,同时也探讨了不同模态数据的分期价值以及多类别分期任务的可行性。 本工作针对基于深度学习的医学影像辅助诊断算法展开了深入的研究,主要研究了目前较新的可变形卷积,并依托医学领域中多个实际的临床问题依次开展验证,包括腋下淋巴结转移性分析、食管胃静脉曲张破裂复发出血预测、宫颈癌肿瘤分期。多项研究分别实现了对淋巴结病灶转移性的精确分类、序列多切片融合预测术后复发出血概率、肿瘤分期的多序列联合预测,在多项指标上超

关键词： 新型冠状肺炎   卷积神经网络   图像实例分割   肺部X 光图像分类   聚类  

摘要： 新型冠状病毒肺炎，英文名Corona Virus Disease，又称新冠肺炎，在2020年初前后，中国武汉市许多患者因不定因素和来源的肺炎感染被发现，后来确认为新型肺炎病毒。现实中主流的诊断方式是反转录聚合酶链式反应（RT-PCR），这些测试的结果时间和成本都很高，所以需要其他快速和便捷的诊断工具。最近的研究将新冠肺炎的存在与肺部X光图像的发现相关联，受此启发，主要研究工作围绕以下方面展开：（1）提出DBSCAN+S-U-Net++算法卷积网络图像语义分割处理方法，在U-Net++模型算法中，采用更好的Swish激活函数。然后对分割之后的图片信息中的一些杂点信息，采用DBSCAN算法聚类去除，保留独立完整的肺部图片信息。（2）在这一初始阶段之后，在迁移学习方案、数据增强的方法下,提出了改进的RF-Xception-ResNetV2的肺部X光分类模型，Xception和ResNetV2算法并行用于特征提取，用随机森林算法代替原有输出层用作特征分类。（3）先对比分割之后的各个部分所组成的数据集之间在识别中的差异，探索不同模型和处理方法相互之间的影响。由四个不同的网络模型（Xception、ResNetV2、Xception-ResNetV2以及本文模型）对肺部分割结果进行分类研究，之后对比每一个模型的准确率、精确度、召回率和F1分数。改进之后的实例分割算法模型准确率最高，达到98.9%。肺部病灶的分割，去除可能产生对训练结果产生偏倚的非病灶信息，肺部的病灶特征更加的突出，可以有效改进分类算法中存在的正常肺部X光影像和肺炎X光影像中因病灶位置特征不明显导致误判问题，提高在现实应用的稳定性。由分类实验结果可知，每个模型判断准确率皆超92%，且本文提出的模型与之相比有更好的精确度和鲁棒性，准确率最高达到99%。可知本文提出的算法模型验证后得出具有良好的分类效果，可以为临床肺部相关疾病的诊断起辅助作用。

关键词： 计算机辅助教学   影像教学   肺结节   AVnet   L-VGG  

摘要： 肺是发病率和致死率最高的人体器官之一,全球范围内每年将近有500万人死于肺癌。如果可以及早诊断肺癌并尽早进行治疗将大大提高患者的生存几率。大量临床数据表明,肺结节是肺癌最初表现形式。在传统的医学影像教学中,主要依赖教师对病灶的抽象和标注,不便于学生直观形象的掌握病理特征,更无法制定有效的治疗方案。随着计算机辅助医学影像技术在教学中的广泛应用,较好的解决了这些问题。但是肺结节形态不一,常与其它组织粘连在一起,造成背景过于复杂,边界模糊,使得计算机影像处理技术提取病灶特征精度偏低,而且良恶性的肺结节差异较小,特征具有高相似性,造成分类精度不高。本研究针对计算机影像处理技术在教学中出现的问题和关键技术展开研究,以肺结节常用的CT影像数据为研究对象。首先,本研究提出AVnet(Attention-Vnet)网络模型用于肺结节病灶的分割。AVnet模型是以U-net模型中增加了残差块保留了更多病灶边缘信息的Vnet网络为基础,并在特征融合时引入注意力机制,提高模型对重要特征的关注度,增加了模型泛化能力和鲁棒性。其次,提出L-VGG模型提高了良恶性肺结节的分类准确率。所提出的L-VGG模型是以VGG16模型为基础,并参照残差网络引入了层融合的思想,实现多特征的融合以更好的学习肺结节的特征信息,提高良恶性肺结节分类任务的准确率。最后,本研究设计了一套以AVnet分割网络和L-VGG分类网络为核心算法的计算机辅助肺癌诊断教学系统,使得医学生可以对肺癌病灶更加直观和全面的理解,从而可以更加快速和准确的掌握诊断肺癌的技能。本研究通过肺部CT图像LUNA16数据集验证了所提算法的性能,AVnet网络具有更高的精确度,MIou、PA、Dice三种评价指标分别达到了89.8%、91.5%、0.895的结果;L-VGG的分类ACC、SEN、AUC三种评价指标分别达到了0.855、0.903、0.915的结果。通过3D U-net、Vnet和AVnet的分割效果做对比,证明了AVnet网络对肺结节分割任务具有更好的鲁棒性。VGG16、VGG19和本文提出的L-VGG网络对比分类结果,经过测试L-VGG也具有更高的分类精确率,并且结合了AVnet分割网络和L-VGG分类网络计算机辅助肺癌诊断系统运行良好。

关键词： 公立医院   医学影像检查   流程优化   精益管理   六西格玛  

摘要： 研究背景　　近年来，国家出台多项政策要求公立医院转变发展方式，将发展重点由传统的规模扩张转向提质增效，运营模式从粗放式管理转向精细化管理。推动高质量发展需要引入先进的管理方法，精益六西格玛作为工业领域的先进管理方法，有助于转变医院发展模式和运行模式，将医院由粗放管理转向精细化管理，提高医疗服务的质量和效率。医学影像检查在临床疾病诊断和治疗的过程中发挥着重要作用，是辅助医生确定患者病情、制定治疗方案的重要手段。然而，医学影像检查具有资金投入大、技术复杂、使用要求严格、运行成本高等特点，导致医学影像检查设备数量较少，难以满足日益增长的患者检查需求。因此，运用精益六西格玛优化医学影像检查流程，对提高检查效率，改善患者就医体验具有重要意义。　　研究目的　　本文以济南市某三级甲等综合医院的医学影像中心检查流程为研究对象，了解医学影像检查流程现状，发现案例医院医学影像检查流程中存在的问题，分析问题产生的原因，提出并实施医学影像检查流程优化措施，对优化效果进行分析。为其他医院医学影像检查流程优化提供参考。　　研究方法　　本文采用文献研究法检索并阅读精益六西格玛应用于医学影像检查流程改善方面的文献。通过参与式现场观察法和访谈法了解医学影像检查流程现状、存在问题。采用精益管理工具进行原因分析，根据具体原因制定并实施优化方案。利用描述性分析、单因素分析和间断时间序列分析法，对流程优化的效果进行分析。数据处理和分析主要通过Excel2019、SPSS24.0和Stata16.1完成。　　研究结果　　（1）医学影像检查流程现状:本文综合患者投诉信息与医学影像中心工作人员访谈信息，发现案例医院医学影像中心的CT检查流程存在问题较多。因此，选择CT检查流程进行优化。改善前平扫CT检查平均总流程时间为530.12±194.78分钟。绘制流程图将其划分为四个阶段，分别是预约等待阶段;报道候诊阶段;接受检查阶段;等候结果阶段。其中第一阶段和第四阶段用时较长，应作为改善重点。改善前增强CT平均检查流程的总体时间为928.87±329.10分钟。增强CT检查流程可以分为四个阶段，分别是预约等待阶段;报道候诊阶段;接受检查阶段;等候结果阶段。其中第一阶段和第四阶段用时较长，应作为改善重点。　　(2)流程存在的问题及原因分析:CT预约检查等待时间长、平扫CT候诊时间长、增强CT候诊时间长是案例医院CT检查流程中存在的主要问题。运用鱼骨图法对以上三个问题进行原因分析。CT预约检查等待时间长，主要受设备信息化程度不高、人员操作设备不熟练、就诊标识不明显、诊室布局不合理等五个方面的因素影响。平扫CT候诊时间长，主要受导医人员不足、培训考核方案不完善、检查注意事项缺少相应提示等四个方面影响。增强CT候诊时间长主要受缺少自动叫号设备和心电门控设备、造影剂更换时间长、患者配合度较差等五个方面的因素影响。　　(3)制定流程优化方案:第一，调整人员配置，主要包括增加导医人员数量、提高后勤部门工作效率、调整人员工作时间、增加检查室护理人员数量。第二，提高信息化水平，主要包括增加辅助信息系统、改进预约系统、增加精益看板系统。第三，合理规划就诊环境，主要包括更新就诊流程标识、合理规划报道区域、候诊、领取检查报告区域、优化检查室内部空间。第四，完善科室相关制度，主要包括完善医务人员培训考核制度、改善预约服务制度、实施精益科室发展规划。　　(4)流程优化效果分析:实施优化方案后，应用间断时间序列分析法对流程优化前后医学影像中心的月度业务量、月度业务收入、月度业务成本和月度业务利润进行评价，发现月度业务量、月度业务收入和月度业务利润显著提高，月度业务成本显著下降。平扫CT和增强CT检查流程总体时间缩短，分别由改善前的455.48±260.32分钟和928.87±329.10分钟，下降至改善后的435.50±132.11分钟和897.94±206.26分钟。患者投诉信息由85条下降至36条，医学影像中心的患者投诉情况得到有效改善。　　结论与建议　　应用精益六西格玛，可以发现案例医院医学影像中心存在检查流程时间长，患者等候时间长，就诊环境较差等问题。究其原因是由于信息化水平较低、就诊环境较差、相关制度不完善导致。因此，制定流程优化方案需要从调整人员配置、升级当前信息化系统、合理规划就诊环境、完善科室相关制度四个方面入手。优化方案的实施可以有效优化平扫CT检查流程和增强CT检查流程，缩短平扫CT检查流程和增强CT检查流程时间，减少检查过程存在的非增值时间，提高检查效率，增加月均检查患者人次数。同时,实施精益六西格玛可以有效减少检查流程中存在的资源浪费，降低科室运营成本，减少患者投诉，提高医务人员工作效率。　　基于上述结论，提出以下建议:　　(1)注重战略管理，实现可持续改进　　(2)借助人工智能和云服

关键词： 心血管疾病   医学影像分割   半监督学习   弱监督学习   时序特征  

摘要： 心血管疾病(Cardiovascular Diseases,CVD)是全世界最主要的疾病负担,提高心血管疾病的防治策略和治疗手段十分重要。医学影像分割是CVD辅助诊断及研究的关键任务之一,旨在从医学影像中自动识别出目标的像素区域。基于深度学习的医学影像分割技术能够快速处理大量数据,为心血管疾病的辅助诊断和研究带来帮助。本文针对面向心血管疾病的医学影像分割任务中,大量完整的标注数据稀缺以及医学序列数据处理困难的问题展开研究,主要内容分为三个方面:1.针对医学影像标注数据稀缺的问题,本文提出了一种基于多尺度原型学习的半监督医学图像分割算法,利用大量未标注数据和少量标注数据进行学习。具体地,利用未标注数据和稀少的标注数据在多尺度特征上进行原型学习,从而使得标注数据的标签可以通过原型指导未标注数据的分割。此外,为了更好地从标注信息中获取相关的先验知识,通过关系聚合模块在标注数据和未标注数据之间传递相关信息。在用于心脏功能筛查的核磁共振成像数据集和用于肥胖风险评估的腹部脂肪CT数据集上的定量和定性评估实验表明,本文所提出的方法是一种通用且有效的半监督医学图像分割算法。2.在超声颈动脉斑块扫描序列中,获得目标区域完整的像素标注十分困难,因此,本文提出了一种基于弱监督学习的颈动脉斑块分割算法,利用更容易获得的涂鸦注释的数据进行学习。在给定第一帧的涂鸦注释作为参考下,实现颈动脉超声视频后序帧中斑块的分割任务。首先,利用参考注释或前一帧的预测结果提取模板和当前帧的搜索区域,再使用孪生网络提取特征,并实现前一帧模板区域到当前帧搜索区域的查找。此外,结合第一帧的特征来修正模板特征,缓解孪生网络中的跟踪漂移问题。最后,利用涂鸦标注的定位信息,通过涂鸦响应损失优化模板在搜索区域的响应位置。在颈动脉斑块超声视频数据集上的实验表明,本文所提出的方法能够在超声视扫描序列中准确识别和分割颈动脉斑块。3.由于超声心动图中心脏结构的模糊边界和不规则运动,给心脏结构的准确分割带来挑战,本文提出了一种基于时序特征匹配的超声心动图分割算法,在给定第一帧的参考注释的情况下,完成后序帧的左心室和心肌区域的自动分割。具体地,首先对超声心动图视频序列进行多尺度上下文的特征提取,获得空间细节信息和语义特征。另一方面,结合参考注释和前一帧的预测结果,学习第一帧和前一帧目标前景像素的语义特征,再与当前帧利用特征距离进行匹配,实现信息传递,从而引导当前帧的分割。在超声心动图序列视频数据集上的比较和消融实验证明了所提出方法的有效性。

关键词： 图像重构   医学影像   压缩感知   平滑L0范数   时空稀疏性   磁共振成像  

摘要： 随着现代生活水平的显著提高，以及后疫情时代的逐步来临，医疗机构中的身体健康检查量呈现爆发式增长现象，疑似病变部位的扫描分析和传输保存成为医学研究中的关注热点。其中，计算机断层扫描与磁共振成像在临床医学的病灶性质研究领域发挥着重要的作用。然而，二者分别面临着电离辐射与成像时长成正比、以及成像质量受扫描时长影响的问题。为了减少患者在检查过程中的辐射量与等待时间，并提高成像信息的传输与保存效率，压缩感知理论中的欠采样恢复被引入研究。在这样的背景下，本文基于现有研究方法的不足之处，对基于光滑L0范数的二维静态计算机断层扫描图像与磁共振图像快速重构，以及基于L1范数与L2范数的三维动态磁共振成像近似实时重构展开深入研究，具体的研究内容与成果如下。　　首先，研究医学影像中磁共振成像的方式与特点，探究压缩感知理论的发展过程与包含内容，收集仿真实验所需的数据集;验证基于压缩感知的若干种信号重构经典算法，选取合适可信的重构性能评价指标，得出研究的必要结论。　　其次，针对基于压缩感知的二维磁共振成像中易出现的非凸稀疏重构难以求解和无法平衡图像质量与恢复时间等问题进行深入研究，设计并实现了基于复合余弦函数族和共轭梯度下降法的二维磁共振图像重构算法（CCGSL0）。复合余弦函数族更加拟合L0范数，可以快速地找到目标函数的全局最优解。同时，分块处理机制与共轭梯度法可以突出子块图像的局部信息特征，提高算法的收敛速度，降低整体运行的重构时间。通过与经典高效的重构算法进行对比，CCGSL0具有更好的静态医学图像恢复性能。　　最后，针对基于压缩感知的三维磁共振成像中的多帧重构时间过长和无法实现实时性恢复等问题进行深入研究，设计并实现了基于加权的动态全变差算子和并行的双树复小波变换的三维磁共振图像重构算法（L12-SSR）。加权的动态全变差算子可以求解信号的时域冗余运算，减少运算过程中的误差影响，初步提高信号的重构精度与速度。并行的双树复小波变换可以求解信号的空域冗余运算，进一步减少信号重构时间。同时，采用Split-Bregman算法使待求解问题简单化为L1范数与L2范数的回归问题。通过与其他动态磁共振图像重构算法相对比，L12-SSR加快了信号的重构速度，可以实现动态磁共振图像的近似实时恢复。

关键词： 医学影像语义分割   半监督学习   一致性学习   自注意力机制   对抗学习   动态卷积  

摘要： 医学影像语义分割能够对图像中的重要器官和病变组织进行准确识别,其在计算机辅助诊断、手术规划以及智慧医疗等方面发挥了巨大的作用。近年来,基于监督学习的图像分割方法取得了显著的成果,但是,这些技术的成功严重依赖于大量精确标注的数据。实际上,在医学图像分割领域中精确标注的数据资源非常稀缺,原因是医学影像标注任务不仅需要大量专业知识而且由于成像的差异导致图像边缘模糊、噪声较大,标注任务需要耗费大量的人力物力、成本昂贵。相比于监督学习,半监督学习是解决弱监督学习中数据不完全标记问题的一种学习范式,其主要利用少量有标注的数据和大量未标注的数据进行联合学习,降低了监督学习网络对于标注数据的依赖性,主要解决标注数据资源受限下的医学影像分割问题,更加符合实际临床应用场景。因此,研究基于半监督学习的医学影像语义分割具有重大意义。本文主要研究基于深度学习的半监督医学影像语义分割方法,旨在于解决未标注数据利用不足、特征学习缓慢、分割精度低以及模型参数量大等问题,主要工作如下:(1)针对常规的基于编解码的分割网络无法提取图像的全局上下文信息并且特征融合效率较低,导致分割结果差的问题,提出了一种基于交叉自注意力和特征金字塔的半监督医学影像分割方法。首先,在编码阶段设计了特征金字塔模块,该模块通过金字塔式的多尺度分组空洞卷积获取了图像的上下文信息,有效解决了医学图像中器官、病变区域形状和大小位置多变的问题。另外,金字塔式的分组卷积能够有效提升网络的推理速度。其次,在特征融合阶段设计了交叉自注意力模块,该模块首先通过计算解码端的自注意力权重,然后将权重作用到编码端,最终通过跳跃连接为解码阶段提供更加精细的注意力特征图,实现了编解码空间与通道之间的视觉信息交互,获取了图像的远程依赖关系。实验表明,提出的方法不仅能够有效提升分割精度,而且提升了网络的推理速度。(2)针对主流的半监督医学影像分割方法忽略了标注数据和未标注数据之间的先验关系,导致伪标签结果质量差且分割网络参数量和计算量庞大的问题,提出了一种基于对抗一致性学习和动态卷积的半监督医学影像分割方法。首先,设计了新颖的对抗一致性训练策略,该策略在一致性学习和对抗学习的基础上提出了多任务的双鉴别器。第一个鉴别器主要获取标注数据和未标注数据之间的先验关系,第二个鉴别器可以计算未标注数据在不同数据扰动下图像级别的一致性,最终通过像素级一致性和图像级一致性有效提升了未标注数据的利用效率,提高了伪标签的预测质量。其次,设计了一种基于动态卷积的双向注意力组件,该组件利用输入样本的自身结构信息动态调整卷积核的参数。该组件实现了网络参数的动态变化,其可以嵌入任何分割网络中充分挖掘样本的先验知识。实验表明,与最先进的方法相比,提出的网络是一个轻量型的网络结构,不仅能够实现高质量的分割结果提升特征表达能力而且参数量和计算复杂度大幅度降低。

关键词： MRI脑肿瘤分割   预处理   Swin Transformer   CNN   多尺度融合  

摘要： 脑肿瘤MRI能够提供大量病灶的信息,是医生进行脑肿瘤诊断和治疗的重要依据。脑肿瘤MRI的评估是一个专业性很强的任务,需要由经验丰富的医生来完成。由于医疗资源的短缺、手工分割带来的主观性以及效率、精度的不足,迫切需要一种自动化分割技术来辅助医疗诊断。随着人工智能、大数据技术和计算机技术的快速发展,基于机器学习技术的医疗辅助诊断系统也逐渐走向了现实。现有的医疗影像分割方法多基于卷积神经网络来实现,由于无法在感受域和模型规模上取得平衡,忽略图像各部分之间的联系,导致精度与效率偏低。Swin Transformer是近两年兴起的一种基于自注意力机制的网络模型,拥有更强大的建模能力和表示能力,能够从更大的感受域中提取图像特征,在许多计算机视觉细分领域取得了 SOTA。对此,本文针对脑肿瘤MRI数据以及分割模型展开研究,探索有效的数据预处理机制,利用当前先进的Transformer结构和多尺度融合技术构建网络模型,以实现脑肿瘤影像精确而高效的分割。本文的主要工作内容如下:(1)通过对脑肿瘤MRI影像数据格式的实验和分析,探索合适的数据预处理过程。针对数据集中像素值分布差异以及类别不平衡问题,采用数据裁剪、损失函数优化以及z-score归一化策略,并将预处理后的数据存储为TIFF格式,以方便图像可视化和模型迁移。(2)针对当前医疗影像分割模型存在的瓶颈,本文将当前先进的Swin Transformer引入医学影像处理领域,通过自注意力机制从更大的感受域中提取图像特征,构建具有层次化的特征金字塔结构。随后,使用统一感知解析网络(UPerNet)融合特征金字塔的多尺度信息,充分利用图像低层和高层语义信息,增加模型的特征表示能力。为此,本文提出了 UP-SwinT模型,并通过实验验证了方案的可行性和有效性。(3)针对Swin Transformer模型初始的四倍下采样带来的细节信息丢失的问题,提出了一种融合CNN和Swin Transformer结构的CSwinT新型主干网络;为进一步提高对于小病灶区肿瘤的分割精度,本文采用了 U型网络进行多尺度融合,提出了 CSwinT-Unet模型。该模型采用编码器-解码器的U型结构,编码器由两层CNN模块和Swin Transformer网络组成,图像先由CNN进行局部低层次特征提取后再输入到Swin Transformer网络中进行自注意力机制的运算,得到多尺度特征图,然后通过解码器进行多尺度特征融合生成最终的分割图。最后,本文通过消融实验验证了模型的提升效果,以及与其他模型的对比实验验证了模型对于点状不连续的肿瘤区域以及肿瘤边缘具有良好的分割精度。本文针对脑肿瘤影像的特征提出了相应的数据预处理策略,并提出了精确高效的CSwinT-Unet模型,通过在BRATS2020和BRATS2021数据集上的实验,验证了模型的准确性、高效性和良好的泛化性,对计算机辅助诊断医疗具有重要的意义。

摘要： ~~