一种基于SCAF-TransUNet的肝脏肿瘤分割方法

本发明公开了一种基于SCAF‑TransUNet的肝脏肿瘤分割方法，首先，SLIC超像素预处理通过将肝脏图像分割为语义相关的超像素区域，使模型能够更准确地聚焦于肿瘤等关键区域，减少计算冗余，提升特征提取的效率和精度。其次，在跳跃连接中引入的CECA模块通过一维卷积替代传统全连接层，简化了通道间的注意力机制，增强了通道依赖关系的捕捉，同时保持了特征提取的精度。最后，在解码器中加入FPN，进一步增强了多尺度特征的融合能力。FPN通过逐层融合不同分辨率的特征图，使得模型在上采样前就能有效结合全局语义信息和局部细节特征，提升对复杂肝脏边界和细小肿瘤的处理能力。最终，这些改进显著提高了肝脏肿瘤分割任务的准确性和稳健性。