计算机科学与探索

作者：赵亮, 刘晨, 王春艳

单位：辽宁工程技术大学 软件学院，辽宁 葫芦岛 125105

关键词：医学图像分割,Transformer,特征融合,位置编码

基金：辽宁省教育厅青年基金项目（LJKQZ2021154）。

医学图像分割能够辅助医生快速准确地识别医学图像中的器官和病变部位，对提高临床诊断的效率有重要的价值。结合Transformer的U-Net是当前医学图像分割领域的主流方法，但是Transformer对于局部信息的提取能力较弱，并且U-Net结构在上采样和下采样过程中会损失细节位置信息。针对以上问题，提出一种位置信息增强的TransUnet医学图像分割网络PETransUnet。该网络使用位置高效注意力模块（PEA）对特征的位置信息进行增强；使用双注意力桥模块（DAB），弥补编码阶段和解码阶段特征之间的语义差距；使用跨通道注意力融合模块（CCAF）减少上采样时丢失的位置信息。提出的方法在公开数据集Synapse上进行验证，Dice系数和HD95系数分别达到82.92%和18.87%；在公开数据集ACDC上进行验证，Dice系数达到90.73%；在公开数据集LITS17上进行验证，肝脏和肝肿瘤Dice系数分别达到94.85%和74.47%。与近期多种算法进行比较，具有更高的分割精度。

来源：2025年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2025年第4期