基于因果约束的Transformer医学图像分割方法

【目的】数据分布对深度学习模型的性能影响较大。模型学习了与分割目标无关的特征后，这些无关特征通常不适用于新的数据集，从而导致模型泛化能力不足。【方法】为缓解这一问题，本文提出基于因果约束的Transformer医学图像分割方法。以MCRformer为网络主体，利用形态约束流模块提取形态约束先验信息，网状Transformer进一步提取局部信息和网络各层次信息，并加入因果约束模块降低目标区域相关特征和无关特征之间的相关性，通过形态先验和因果先验信息为模型选出具有代表性的特征，最终提高分割性能。【结果】在公开数据集Synapse上，Dice相关系数和Hausdorff距离的均值分别达到了80.01%和19.39 mm，在公开数据集ACDC上，Dice相关系数均值达到了90.95%，优于其他对比方法。【结论】实验证明，本文提出的方法可以有效提升CT和MRI中多器官的分割性能，并验证因果约束模块在不同模型上的有效性。