买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：陕西科技大学

摘要：本发明公开了基于全局上下文交互Transformer的医学图像多器官分割方法，包括步骤：步骤1、构建多器官医学图像数据集并进行数据增强，然后划分训练集、验证集和测试集；步骤2、构建基于全局上下文交互Transformer的医学图像多器官分割模型GCTNet，其包括编码器、解码器、跳跃连接交叉注意力模块、线性投影层和瓶颈块；步骤3、将训练集输入网络模型GCTNet，训练网络模型GCTNet并更新参数；步骤4、将验证集输入网络模型GCTNet对其性能进行验证，优化网络模型GCTNet参数，得到最优的网络模型GCTNet；步骤5、将测试集输入最优的网络模型GCTNet，预测出分割结果。本发明提高了模型对图像特征的提取和表示能力，提高了对多器官医学图像中各器官的分割精度。

主权项：1.基于全局上下文交互Transformer的医学图像多器官分割方法，其特征在于，包括如下步骤：步骤1、构建多器官医学图像数据集并进行数据增强，然后划分训练集、验证集和测试集；步骤2、构建基于全局上下文交互Transformer的医学图像多器官分割模型GCTNet，其包括编码器、解码器、跳跃连接交叉注意力模块、线性投影层和瓶颈块，其中：编码器包括一个PatchEmbedding和三个依次堆叠的编码块，每个编码器模块由两个连续的上下文交互Transformer模块和一个PatchMerging层组成；解码器Decoder包括三个堆叠的解码块，每个解码块由两个连续的上下文交互Transformer模块和一个PatchExpanding层组成；所述上下文交互Transformer模块包括专注于计算样本间相关性的外部注意力模块和用于构建不同粒度间依赖关系的上下文自注意力模块，上下文自注意力模块包括局部自注意力模块和全局自注意力模块，且全局自注意力模块采用了高斯加权轴向注意力，通过全局和局部结合策略，捕捉多器官医学图像中的复杂特征；所述跳跃连接交叉注意力模块将PatchExpanding层的输出与编码器中上下文交互Transformer模块的输出进行特征融合，并输入至解码器中的上下文交互Transformer模块；步骤3、将训练集输入网络模型GCTNet，训练网络模型GCTNet并更新参数；步骤4、将验证集输入网络模型GCTNet对其性能进行验证，优化网络模型GCTNet参数，得到最优的网络模型GCTNet；步骤5、将测试集输入最优的网络模型GCTNet，预测出分割结果。

全文数据：

权利要求：

百度查询： 陕西科技大学 基于全局上下文交互Transformer的医学图像多器官分割方法