基于SF-TransUNet的腹部多器官图像分割方法
郭雨婷
于瓅
安徽理工大学 计算机科学与工程学院,安徽 淮南 232001
摘要：针对腹部多器官图像分割过程中小器官图像分割精度较低和边界分割不准确的问题,提出了基于变换器U形网络(Transformer U-shaped network,TransUNet)的融合分割TransUNet(segmentation fusion TransUNet,SF-TransUNet)改进模型,以增强小器官图像分割精度.在TransUNet跳跃连接中加入用于增强纹理信息的改进位置注意力模块(position attention module,PAM),并在解码器中引入混洗注意力(shuffle attention,SA)模块融合高低层特征,提高小器官图像细节捕捉能力,设计连通域分析(connected component analysis,CCA)模块作为后处理步骤,有效提升边缘分割能力.在Synapse数据集上验证SF-TransUNet模型性能,结果显示其平均戴斯相似系数(Dice similarity coefficient,DSC)比TransUNet模型提升了 2.69 个百分点,95%豪斯多夫距离(95%Hausdorff distance,HD95)下降了17.26 mm;在小器官图像分割上,胆囊、右肾和胰腺的分割精度分别提高了 9.22、4.76、4.49 个百分点.结果表明,SF-TransUNet模型不仅明显提升了腹部多器官图像分割的总体精度,而且在小器官图像分割中能表现出更佳的特征表达与细节保留能力.
关键词：SF-TransUNet多器官图像分割小器官图像分割纹理信息增强混洗注意力连通域分析
分类号：TP391.1(计算技术、计算机技术)R319.1(医用一般科学)
资助基金：安徽省重点研究与开发计划项目(202104d07020010)
论文发表日期：2025-03-19
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 94-100 )
英文信息