基于改进TransUnet急性脑梗病灶平扫CT图像分割方法研究.pdfVIP

摘要

摘要

急性脑梗的高致死率和致残率给人民健康带来了严重威胁。平扫CT成像是

医生诊断脑梗的首选检查手段，对平扫CT图像病灶进行精确分割可确定发病位

置和范围。目前急性脑梗病灶平扫CT图像自动分割方法还不能充分满足临床需

求，医生还需人工判断脑梗病灶。

本研究分析了TransUnet模型对平扫CT图像分割的优势与不足，基于五项

改进策略构建了Trans-swin-unet模型，旨在提升急性脑梗病灶特征提取的精准度。

首先，Trans-swin-unet模型将原始TransUnet模型的解码器部分替换为

Swin-transformer结构增强模型的特征提取能力，其次在跳跃连接处加入了

Max-Attention注意力模块减小下采样空间信息损失以及融合多尺度特征信息，

能够更准确地识别和分割图像中的关键信息，再次设计了一种新的损失函数克服

病灶区域偏小的影响，从次增加了卷积层的深度以提升特征感受野，最后优化

Transformer模块数量提升模型数据处理效率。

基于Trans-swin-unet模型设计了完整的平扫CT图像分割流程。采用窗颅骨

分离、中心区域裁剪、噪声去除与平滑和拉普拉斯锐化等数据预处理方法，消除

噪声和伪影，提高图像的清晰度和信噪比，使得病灶区域的边界更加清晰及病灶

区域更加突出。使用CutMix方法数据增强方法增加样本的多样性并提高其泛化

能力。模型训练中采用了AdamW优化器，新设计的损失函数，和学习率衰减的

优化策略，使模型能够在训练早期快速收敛到较好的解，并在训练后期进行精细

调整以优化分割效果。最后使用边缘精细化和边界优化方法对数据进行后处理。

为了验证Trans-swin-unet模型对于脑梗死病灶区分割的效能，本研究采用了

从佛山市第五人民医院采集的189套急性脑梗病灶平扫CT图像与Kaggle网站

公开的500张脑梗病灶平扫CT图像，展开了一系列的消融实验。实验结果显示，

本研究提出的各项改进措施能够提升图像识别效果，Trans-swin-unet模型具备优

越性能，对于采集的急性脑梗病灶平扫CT图像分割后的平均Dice系数高达0.72，

对于公开的急性脑梗病灶平扫CT图像分割后的平均Dice系数高达0.73，而且

在两个平扫CT图像数据集处理上，Trans-swin-unet模型相比较Swinunet模型和

I

摘要

TransUnet及其改进模型等，Dice系数都有明显提升。实验证明所提出的

Trans-swin-unet模型及分割方法对急性脑梗病灶平扫CT图像分割上的优势，完

成了本研究目标。

关键词：急性脑梗死；医学图像分割；深度学习；TransUnet网络

II

ABSTRACT

ABSTRACT

Thehighmortalityanddisabilityratesofacutecerebralinfarctionposeaserious

threattopeopleshealth.PlainCTimagingisthepreferredexaminationmethodfor

doctorstodiagnosecerebralinfarction.AccuratesegmentationoflesionsinplainCT

imagescandeterminethelocationandextentofthedisease.Atpresent,theautomatic

segmentationmethodforplainCTimagesofacutecerebralinfarctionlesionscannot

fullymeetclinicalneeds,anddoctorsstillneedtomanuallydeterminethe