山东大学学报(工学版)

作者：刘全金,嵇文,胡浪涛,黄汇磊,杨瑞,李翔,高泽文,魏本征

单位：1.安庆师范大学电子工程与智能制造学院, 安徽 安庆 246133;2.山东中医药大学医学人工智能研究中心, 山东 青岛 266112;3.山东中医药大学青岛中医药科学院, 山东 青岛 266112

关键词：医学图像分割,双解码器,Swin Transformer,空洞卷积,多尺度特征融合,

基金：国家自然科学基金资助项目(62372280,61872225);山东省自然科学基金资助项目(ZR2020KF013,ZR2020ZD44,ZR2019ZD04,ZR2020QF043);山东省高校青创引才育才计划资助项目(2019-173);青岛市科技惠民示范专项资助项目(23-2-8-smjk-2-nsh)

针对医学图像目标区域尺度不一及有标签医学图像样本少的问题,提出一种基于双解码器的医学图像分割模型(dual-decoding Swin-Unet, DDS-UNet)。DDS-UNet模型以Swin Transformer模块构建编码器,提取医学图像多尺度特征;解码器1利用Swin Transformer模块全局和远程语义特征提取优势,在上采样过程中逐级恢复并聚合编码器输出的对应尺度特征信息;解码器2利用卷积神经网络(convolutional neural networks, CNN)的局部特征提取优势,在上采样过程中逐级恢复医学图像空间信息;特征融合模块利用空洞卷积分解编码器输出的深层语义特征信息,并在上采样过程中协同融合双解码器输出的多尺度特征信息,重建医学图像目标区域的空间细节信息。脊柱和脑胶质瘤图像分割试验结果表明,DDS-UNet模型对目标区域具有优异的特征提取和分割能力。消融试验进一步验证DDS-UNet模型对医学图像分割的有效性。

来源：2024年第6期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第6期