计算机工程

作者：张天森, 徐晓娜, 赵悦, 张新宁

单位：1. 中央民族大学信息工程学院，北京 1000812. 解放军总医院第一医学中心，北京 100086

关键词：肝脏分割,Medical Transformer网络,U-Net结构,磁共振成像,级联

基金：北京市科委AI+健康协同创新培育项目(Z221100003522005); 中央高校基本科研业务费专项资金(2024GJYY46)

实现精准的磁共振成像(MRI)肝脏图像分割在医学领域具有重要意义，不仅可有效协助医生迅速定位目标区域、辅助治疗，也可以在术后观察中发挥关键作用。然而MRI图像包含丰富的语义信息和众多异常噪声，而传统卷积操作在图像处理中存在一定的局限性，其全局建模能力与感受野有限，难以捕捉全局信息。并且，基于卷积的网络层次不宜过深，因为深层网络既会增加参数量，也会缺失高分辨率下的重要语义信息。为了解决这些问题，引入Transformer机制以建立全局信息关联，从而更好地捕捉全局信息，实现目标的精准定位。但Transformer在处理图像细节特征方面存在可能破坏局部细节的问题，且其在提供归纳偏置方面表现欠佳。为了综合利用Transformer和卷积的优势，提出一种级联工作的特征建模方法。首先，通过使用参数量和计算量较少的MedT(Medical Transformer)网络作为上游网络，实现对感兴趣区域(RoI)的粗分割。然后，对提取的RoI进行数据处理，并送入下游的U-Net进行二次分割，在第二次分割的过程中特别关注局部信息，以获得更精细的预测结果。在CHAOS数据集上的实验结果证明，该方法在肝脏分割任务中取得了显著的成果，肝脏的Dice相似系数(DSC)达到0.922，交并比(IoU)达到0.877。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期