1.基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于,包括以下步骤:步骤S1:对原始医学图像的标签图的边缘进行逐类提取;
步骤S2:对原始医学图像的原图、标签图和标签图的边缘图像进行随机翻转、旋转和缩放处理;
步骤S3:将处理后的图像输入医学图像分割模型进行各类组织器官的分割。
2.根据权利要求1所述的基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于:所述步骤S1具体包括以下步骤:步骤S11:通过独热编码One‑Hot对医学图像的标签图的各个类别进行逐通道的分离,每个通道代表一个类别;
步骤S12:对分离出来的每个类别通道进行边缘提取,然后压缩成一个通道,得到最终的各类组织器官的边缘。
3.根据权利要求1所述的基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于:所述步骤S2具体包括以下步骤:通过python内置的random函数随机生成在区间[0,1]的一个数作为图像翻转、旋转的概率,并将处理后的图像缩放至指定大小。
4.根据权利要求1所述的基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于:所述步骤S3具体包括以下步骤:医学图像分割模型是由训练集数据经过标签图的边缘提取后再对原图、标签图和标签图边缘图像随机翻转、旋转和缩放处理后产生的图像数据在基于Transformer和卷积神经网络的结合形态结构学习的网络模型进行训练获得。
5.根据权利要求4所述的基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于:基于Transformer和卷积神经网络的结合形态结构学习的网络模型在采用TransUNet网络模型架构的基础上,结合形态结构模块学习分割目标在形状上的信息,采用最大池化和平均池化学习更丰富的特征;网络包含模块化的形态结构模块,Transformer层,残差模块层,最大池化和平均池化层,批标准化层和RELU激活函数,级联上采样层和跳跃连接;图像经过网络处理后,生成通道数与图像大小分别原图的类别数和大小都相同的预测分割结果,所述预测分割图像用于与真实分割图像计算及损失函数输出值。
6.根据权利要求5所述的基于Transformer和卷积神经网络的三维医学图像分割方法,其特征在于:对基于Transformer和卷积神经网络的结合形态结构学习的分割网络使用三种损失函数,分别是:DICE损失函数,交叉熵损失函数和二分类交叉熵损失函数,损失函数分别表示为:其中,y表示真值图中每个像素点在Ont‑Hot编码下的各个类的值, 表示预测图中每个像素点在Ont‑Hot编码下的各个类的值,Ω表示图像高度为m,宽度为n,类别数为K的所有像素的域,形状为m×n×K。