基于双分支编码结构的医学图像分割方法.pdfVIP

青岛科技大学研究生学位论文

基于双分支编码结构的医学图像分割方法

摘要

随着医学影像技术的持续发展，医学图像在疾病初期诊断、治疗以及后期术后

康复等方面发挥重要作用。但是医学图像具有器官结构复杂、种类多且维度高等特

点，这也是医学图像分析中所面临的困难和挑战。其中，医学图像分割是医学影像

分析中的重要步骤，具有辅助医生精准定位并辨认出病灶区域。目前的医学图像分

割方法大多基于传统图像处理和形态学，但容易受到医学图像结构复杂的影响，例

如低对比度和模糊性、器官形态多样性、体积大小以及病灶区域特征多样性等因素，

所以此类方法实际应用时容易出现错误，无法准确的将所需器官信息完美的精确分

割。因此，大量研究人员致力于研究新方法，旨在研发出性能更鲁棒的分割模型。

1

根据现有的文献资料看，目前医学图分割方法中存以下问题：）卷积层缺乏全

ViT2

局特征提取能力，并且传统的自注意力机制存在计算量大且资源浪费问题；）

自注意力可能受限于单一尺度，提取特征范围受限制；3）未能合理利用形状先验知

识，分割结果边缘像素残缺而且粗糙；4）级联模型存在特征冗余问题，未能妥善利

用冗余特征并且计算量较大。为解决以上面临的问题，本文主要开展以下工作内容：

（1）提出了可变形混合编码器和多尺度可变形注意力机制。本文基于可变形卷

积设计混合编码器并结合多尺度注意力构建出分割模型，即DMS-DNet，以解决医

学图像分割任务中卷积提取全局特征性能差和注意力机制计算量较大的问题。对比

ViTCNNDHE

和，不仅计算量少、同时提取局部和全局特征还能动态适应目标器官

的形状。为了增强模型的鲁棒性并精细化分割结果，本文在跳层连接处设计

MSD-LKA，即多尺度可变形大核注意力机制。具体来讲，它基于可变形卷积通过使

用不同尺度的卷积核扩大注意力提取范围，提取同一目标的多尺度特征。本文在肝

脏和肾上腺，胰腺上进行实验，数据表明本方法比nnFormer、SwinUNETR等方法

效果更好，本方法在分割精确度、参数量和计算量方面均优于其他方法。

（2）提出了基于双分支编码的闭环分割框架。本文构建了CEE分支、附带SFF

模块的BSSN分支，并且针对双分支结果设计闭环结构。本文在输入阶段将形状先

验知识输入分支模型训练，提升模型对目标边界形状的注意力和精确度。此外，为

克服级联模型中的冗余特征问题，本方法设计闭环结构，充分利用其输出特征促进

CEEGCLCvT

双方网络训练。分支利用改造的门控卷积层（）和提取多层级的边缘

形状特征，辅助BSSN完成训练。形状特征融合模块（SFF）将注意力集中于目标

区域和边界形状特征，提升BSSN分割效果。闭环结构从双分支的分割结果中提取

I

基于双分支编码结构的医学图像分割方法

关键信息，反馈并促进对方网络二次训练。根据DBLNet在BTCV的测试结果，平

Dice0.87813

均得分为，排名第位；将其应用于临床医院数据，展现出较强的通用

性和更高的精度。

关键词：可变形卷积多尺度大核注意力混合编码器双分支编码医学图像分割

II

青岛科技大学研究生学位论文

MEDICALIMAGESEGMENTATIONMETHOD

BASEDONDUALBRANCHENCODING