融合注意力与Transformer的肝肿瘤CT图像分割方法.pdfVIP

小型微型计算机系统2025年3月第3期

DOI:10.20009/ki.21-1106/TP.2023-0527

JournalofChineseComputerSystemsVol.46No.32025

融合注意力与Transformer的肝肿瘤CT图像分割方法

张倩，胡建文,王鼎湘，李茂军

（长沙理工大学电气与信息工程学院，长沙410114）

E-mail:1242485209@

摘要：CT图像是医生对病人进行疾病诊断和制定治疗计划的重要依据.然而，CT图像中肝肿瘤通常具有灰度多样、边界模

糊、且与肝脏正常组织细胞的密度很接近等特点，导致肿瘤的边缘区域的分割和上下文特征信息的获取受到了限制.本文提出

了一种融合注意力机制与Transformer的U型分割网络(IntegratedtheAttentionmechanismandTransformerU-shapedsegmenta-

tionnetwork,IAT-Unet).首先，在编码器的末端级联BiFormer模块，对富含语义信息的高级特征进行全局建模，避免造成关键

信息的丢失；其次,在解码器中引入双重高效注意力机制(DualhighlyEffectiveAttentionMechanism,DEAM)，在空间上建模和

跨通道交互，可以捕获肿瘤准确的定位信息和远程依赖关系，提高肿瘤特征的表达能力；此外，提出双桥跳跃连接，通过在编码

器与解码器直接连接和利用边缘增强模块（EdgeEnhancementModule,EEM)进行间接连接，可以补偿编码器在提取特征时丢

失的信息，同时也能突出肿瘤的边缘轮廊.所提出的方法在公开数据集LiTS17进行验证表明，该方法的Dice系数、Jaccard相似

系数、精确率和召回率分别为93.32%、87.47%、93.09%和93.55%；在3DIRCADb数据集上验证，肝肿瘤分割的Dice系数为

90.40%.与多种分割方法进行比较，该方法对CT图像中肝肿瘤的分割具有优势。

关键词：医学图像分割；肝肿瘤分割；U-net;Transformer；注意力机制

中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)03-0680-09

IntegratedAttentionMechanismandTransformerforLiverTumorSegmentationMethodin

CTImages

ZHANGQian,HUJianwen,WANGDingxiang,LIMaojun

(SchoolofElectricalandInformationEngineering,ChangshaUniversityofScienceandTechnology,Changsha410114,China)

Abstract:CTimagesareanimportantbasisfordoctorstodiagnosediseasesandmaketreatmentplansforpatients.However,liver

tumorinCTimagesisusuallycharacterizedbydiversegreylevels,blurredboundaries,andveryclosedensitiestothenormaltissue

cellsoftheliver,whichmakesegmentationofthetumoredgeregionsandacquisitionofcontextualfeatureinformationlimitative.AU-

shapedsegmentationnetworkthatintegratestheattentionmechanismandTransformer(IAT-Unet)isproposed.Firstly,theBiFormer