UConvTrans:全局和局部信息交互的双分支心脏图像分割

作者：李擎; 皇甫玉彬; 李江昀^*; 杨志方; 陈鹏; 王子涵

来源：上海交通大学学报, 2023, 57(05): 570-581.

DOI：10.16183/j.cnki.jsjtu.2022.088

• 医学图像分割
• 心脏核磁共振图像
• 卷积神经网络
• Transformer模型
• 编码器-解码器

心脏核磁共振成像(MRI)具有噪声多、背景和目标区域相似度高、右心室形状不固定、呈月牙形或扁圆形等特点，虽然基于卷积神经网络的U型结构在医学图像分割中表现出色，但由于卷积本身的局部运算特性，提取全局信息特征能力有限，所以很难提升在心脏MRI上的分割精度.针对上述问题，提出一种全局和局部信息交互的双分支网络模型(UConvTrans).首先，利用卷积分支和Transformer分支提取局部特征和建模全局上下文信息，能够保留细节信息并抑制心脏MRI中噪声和背景区域的干扰.其次，设计了融合卷积网络和Transformer结构的模块，该模块将二者提取的特征交互融合，增强了模型表达能力，改善了右心室的分割精度，而且避免了Transformer结构在大规模数据集上预训练，可以灵活调节网络结构.此外，UConvTrans能有效地平衡精度和效率，在MICCAI 2017 ACDC数据集上进行验证，该模型在模型参数量、计算量仅为U-Net的10%、8%的情况下，平均Dice系数比U-Net提高了1.13%.最终，在其官方测试集上实现了右心室92.42%、心肌91.64%、左心室95.06%的Dice系数，在心肌及左心室区域取得了到目前为止最好的结果.

• 单位
  自动化学院; 北京科技大学