原创力文档- 1、原创力文档（book118）网站文档一经付费（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。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第３９卷第２期北京信息科技大学学报（自然科学版）Ｖｏｌ．３９Ｎｏ．２
２０２４年４月ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＵｎｉｖｅｒｓｉｔｙ（ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＥｄｉｔｉｏｎ）Ａｐｒ．２０２４
文章编号：１６７４－６８６４（２０２４）０２－００１５－０６ＤＯＩ：１０１６５０８／ｊ．ｃｎｋｉ．１１－５８６６／ｎ．２０２４０２００３
面向医学图像分割的ＣＮＮ与Ｔｒａｎｓｆｏｒｍｅｒ
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，北京１００１９２）
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（ｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌｎｅｔｗｏｒｋｓ，ＣＮＮ）出色的局部特征提取能力和Ｔｒａｎｓｆｏｒｍｅｒ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ＰａｒａＣＮＮＦｏｒｍｅｒ。ＰａｒａＣＮＮＦｏｒｍｅｒ是一种Ｕ型结构分割模型，其编码器与解码
器均采用ＣＮＮ与ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ并联的混合架构，利用ＣＮＮ提取局部细节特征，同时利用Ｓｗｉｎ
Ｔｒａｎｓｆｏｒｍｅｒ建立长距离依赖，有效提高了分割准确度。在ＣＨＡＯＳ和ＤＳＢ１８数据集上的对比实验结
果表明，骰子系数相较于流行的ＴｒａｎｓＵｎｅｔ和ＳｗｉｎＵｎｅｔ均有明显提升。
关键词：医学图像分割；Ｔｒａｎｓｆｏｒｍｅｒ；卷积神经网络；混合架构
中图分类号：ＴＰ１８３文献标志码：Ａ
ＡｈｙｂｒｉｄｍｏｄｅｌｏｆＣＮＮａｎｄＴｒａｎｓｆｏｒｍｅｒｆｏｒｍｅｄｉｃａｌｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ
ＷＡＮＧＸｉ，ＣＡＩＹｉｎｇ，ＦＡＮＹａｎｆａｎｇ，ＷＡＮＧＹｕｎ
（ＣｏｍｐｕｔｅｒＳｃｈｏｏｌ，ＢｅｉｊｉｎｇＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＵｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ１００１９２，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｓｉｎｃｅｍｅｄｉｃａｌｉｍａｇｅｓｈａｖｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｌｏｗｃｏｎｔｒａｓｔ，ｃｏｍｐｌｅｘｔａｒｇｅｔｓｈａｐｅｓ，ａｎｄ
ｂｌｕｒｒｅｄｅｄｇｅｓ，ｔｈｅｓｅｇｍｅｎｔａｔｉｏｎａｃｃｕｒａｃｙｏｆｅｘｉｓｔｉｎｇｍｏｄｅｌｓｃａｎｎｏｔｍｅｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｈｉｇｈｐｒｅｃｉｓｉｏｎ
ｍｏｄｅｌｉｎｇａｎｄａｕｔｏｍａｔｅｄｓｕｒｇｅｒｙ．Ｉｎｒｅｓｐｏｎｓｅ，ａｈｙｂｒｉｄａｒｃｈｉｔｅｃｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｅｌｃａｌｌｅｄ
ＰａｒａＣＮＮＦｏｒｍｅｒｗａｓｐｒｏｐｏｓｅｄ，ｃｏｍｂｉｎｉｎｇｔｈｅｅｘｃｅｌｌｅｎｔｌｏｃａｌｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｃａｐａｂｉｌｉｔｉｅｓｏｆｃｏｎｖｏｌｕｔｉｏｎａｌ
ｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＣＮＮ）ａｎｄｔｈｅａｄｖａｎｔａｇｅｓｏｆＴｒａｎｓｆｏｒｍｅｒ′ｓｌｏｎｇｄｉｓｔａｎｃｅｍｏｄｅｌｉｎｇ．ＡｓａＵｓｈａｐｅｄ
ｓｔｒｕｃｔｕｒｅｓｅｇｍｅｎｔａｔｉｏｎｍｏｄｅｌ，ｂｏｔｈｔｈｅｅｎｃｏｄｅｒａｎｄｄｅｃｏｄｅｒｏｆＰａｒａＣＮＮＦｏｒｍｅｒａｄｏｐｔｅｄｔｈｅｈｙｂｒｉｄ
ａｒｃｈｉｔｅｃｔｕｒｅｏｆＣＮＮａｎｄＳｗｉｎＴｒａｎｓｆｏｒｍｅｒｉｎｐａｒａｌｌｅｌ，ｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｄｔｈｅｓｅｇｍｅｎｔａｔｉｏｎ
ａｃｃｕｒａｃｙ．ＣＮＮｗａｓｕｓｅｄｔｏｅｘｔｒａｃｔｌｏｃａｌｄｅｔａｉｌｅｄｆｅａｔｕｒｅｓ，ａｎｄＳｗｉｎＴｒａｎｓｆｏｒｍｅｒｗａｓｕｓｅｄｔｏｅｓｔａｂｌｉｓｈｌｏｎｇ
ｄｉｓｔａｎｃｅｄｅｐｅｎｄｅｎｃｉｅｓ．ＴｈｅｃｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎＣＨＡＯＳａｎｄＤＳＢ１８ｄａｔａｓｅｔｓｓｈｏｗｔｈａｔ
文档评论（0）