A 3D Medical Image Segmentation Method Based on MCRAIP-Net

基于MCRAIP-Net的3D医学图像分割方法

为提高医学脑图像分割的准确性和时间效率，我们在脑图像的多模态图谱分割（MAS）的配准阶段提出了一种可变形配准网络EDUNet。我们对浮动图像和固定图像进行数据预处理，以最小化外部影响。在配准阶段，我们使用ANTS代替传统的“粗”配准，并使用卷积神经网络（CNN）来改进“细”配准，估计变形场，并引入注意机制和扩张卷积模块。我们提出了一种基于深度学习的多模态交叉重构倒金字塔网络MCRAIP-Net，该网络以多模态磁共振图像作为输入，通过三个独立的编码器结构提取每种模态的特征，并在相同分辨率级别融合提取的特征。我们使用双通道交叉重构注意模块来精炼和融合多模态特征。在此基础上，我们使用倒金字塔解码器来整合解码器每个阶段不同分辨率的特征，并完成脑组织分割任务。我们比较了两个数据集的分割结果，并表明所提出的算法比置信连接算法具有更简单的交互和更快的速度，同时也极大地提高了分割性能。在Synapse数据集上，我们使用18个样本作为训练集，12个样本作为测试集；在ACDC数据集上，我们使用70个样本作为训练集，10个样本作为验证集，20个样本作为测试集。实验结果表明，与传统的U-Net网络和其他现有模型相比，我们的模型在肋骨骨折分割方面具有更好的准确性和可行性。