新解码器的CNNs-Transformers融合网络及其病理图像肿瘤分割应用

摘要

病理图像是肿瘤诊断的"金标准",但超高分辨率的病理图像使得医生需要消耗大量的精力和时间，而且诊断结果主观性比较强.随着人工智能技术的发展，深度学习模型提供了计算机代替人对病理图像进行快速、准确和可靠诊断的可能性.然而，目前大多数的网络更注重如何在编码器部分提取更准确的特征，而对于同等重要的解码器部分的结构设计研究则稍显不足.针对该问题，本文提出了由三类上采样模块组成的新网络，而编码器部分采用Swin Transformer和ConvNeXt作为网络的双分支并行独立结构.三类上采样模块分别是多重转置卷积采样、双线性上采样和Swin Transformer上采样，其特点是可以充分利用病理图像特征之间局部和全局的依赖关系.该网络分别在肝癌数据集和GLAS数据集上进行了验证，并与不同类型的主流网络进行了对比，性能指标皆达到比较好的结果.

关键词

医学图像分割 / 深度学习 / 卷积神经网络 / Swin Transformer

基金资助

国家自然科学基金项目(62173232)资助