[发明专利]一种前列腺图像分割方法

权利要求书

1.一种前列腺图像分割方法，其特征在于，包括以下步骤：

S1.获取前列腺区域训练样本，并标记；

S2.对训练前列腺区域进行预处理，获得预处理结果；

S3.构建前列腺兴趣区域分割的全卷积网络结构；

S4.利用训练样本训练前列腺分割模型，以获取最优前列腺图像分割模型；

S5.获取被试者前列腺区域样本，并标记；

S6.对测试前列腺区域进行预处理，获得预处理结果；

S7.训练好的分割模型对测试集进行分割；

S8.对全卷积网络的分割结果进行后处理；

S9.选择图像分割的评价指标，进行分割结果统计评价。

2.根据权利要求1所述的一种前列腺图像分割方法，其特征在于，所述S2和S6包括：

S21或S62.计算全部图像的平均强度值和标准偏差；

S22或S62.进行了一次归一化运算，包括减去均值和除以方差；

S23或S63.定位感兴趣区域；

S24或S64.用一个96×96的平方箱来分割感兴趣区域图像。

3.根据权利要求1所述的一种前列腺图像分割方法，其特征在于，所述S3包括：

S31.卷积模组；

S311.移除了VGG-16的最后两个全连接层；

S312.移除了最后一个卷积模块的最大池化层；

S32.增加边输出模组；

S321.每个边输出模块的输入是相对应的VGG-16模块的输出，在每个边输出模块中，用1×1的卷积层来将特征通道降低至一个特定的数量，第二至第五个模块拥有128个特征通道，第一个模块拥有64个特征通道；

S322.用一个上采样层来对第二至第五个模块进行分辨率重建，第一个模块，我们不做任何处理；

S323.在每个模块的最后一步，用1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图，获取五个概率图，这五个概率图包含不同尺度特征的信息；

S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。

4.根据权利要求1所述的一种前列腺图像分割方法，其特征在于，所述S9是用六个度量指标对分割的性能进行量化，包括：

(1)DSC方程，计算的是分割图和真实图的重叠，与它们之间的相似性呈正相关：

其中，TP为真阳性,FN为假阴性,FP为假阳性；

(2)PPV方程，用来计算FP和TP的值：

(3)专一性方程，用来计算TN和FP的值：

其中，TN为真阴性；

(4)敏感性方程，用来计算TP和FN的值：

(5)HM方程，评估结果与实际真相之间的差异：

(6)HD方程，比较结果和真实值：

其中，A代表分割的结果，B代表真实值，||·||是欧式距离函数。

5.根据权利要求1所述的一种前列腺图像分割方法，其特征在于，所述S2和S6包括：

S21或S62.计算全部图像的平均强度值和标准偏差；

S22或S62.进行了一次归一化运算，包括减去均值和除以方差；

S23或S63.定位感兴趣区域；

S24或S64.用一个96×96×96的立方箱来分割感兴趣区域图像。

6.根据权利要求5所述的一种前列腺图像分割方法，其特征在于，所述S9是用五个评价指标对分割的结果进行统计，采用体积重叠误差(VOE)、相对体积误差(RVD)、平均对称表面距离(ASD)、均方差对称表面距离(RMSD)、最大对称表面距离(MSD)等五个评价指标分别对结果进行评价，定义分割结果的区域为A，“金标准”区域为B，S(*)为数据“*”的表面体素，S*为“*”表面体素上的一点，D(*)为欧氏距离，包括：

(1)VOE＝100×(1-(|A∩B|/|AUB|))

(2)RVD＝100×((|A|-|B|)/|B|)

(3)其中，||·||是欧式距离函数

(4)

(5)