基于改进TransUNet模型的脑肿瘤图像分割方法研究

针对肿瘤细胞图像与正常组织图像之间具有强相似性、边界模糊以及染色变化大等特点,提出了基于TransUNet网络的优化改进分割模型。此分割模型在以TransUNet为主干网络的基础上于编码器部分引入注意力机制,抑制不相关的部分以突显深层特征的语义信息。同时,改变上采样过程中的融合方式,引入BiFusion模块进行选择性地融合,从而使特征数据能够保留更多高分辨率细节信息。该分割模型在Kaggle脑部低级别胶质瘤数据集上验证。实验结果表明,改进后算法的均交并比,召回率和平均精度均值分别为： 97.31%,99.91%和98.72%,与目前医学图像分割的主流方法相比具有更优的性能。