融合注意力与Transformer的肝肿瘤CT图像分割方法

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(Integrated the Attention mechanism and Transformer U-shaped segmentation network, 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(Dual highly Effective Attention Mechanism, 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(Edge Enhancement Module, 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廓.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