[发明专利]基于深度卷积神经网络的前列腺经直肠超声图像分割方法

权利要求书

1.一种基于卷积神经网络的前列腺TRUS图像分割方法，包括下列步骤：

步骤1：采集前列腺TRUS图像；

步骤2：使用resnet-101为基础的卷积神经网络，通过应用扩张空间金字塔池化组成的编码器来提取多尺度语义信息；

步骤3：应用1×1卷积减少通道数量；

步骤4：采用4倍上采样与特征融合器提取多层级特征组成超级混合特征细化前列腺边界分割结果；

步骤5：应用多层级上采样解码器恢复到原图像大小；

步骤6：输出分割结果。

2.根据权利要求1所述的基于卷积神经网络的前列腺TRUS图像分割方法，其特征在于，步骤2中，使用基于深度卷积神经网络的编码器，应用扩张空间金字塔池化来提取任意分辨率图像的特征，扩张空间金字塔池化模块由一个1×1卷积，三个速率为(6，12，18)的3×3膨胀卷积和全局图像特征组成，并行分支的结果最终连接在一起，通过1×1卷积获得编码器的输出特征，扩张空间金字塔池化输出步长为16，该特征映射包含256个通道和丰富的语义信息，在不增加计算量或参数数量的情况下增大感受野。

3.根据权利要求1所述的基于卷积神经网络的前列腺TRUS图像分割方法，其特征在于，步骤3中，将在深度卷积神经网络上构建的扩张空间金字塔池化模块的输出特征应用1×1卷积以将通道数量从1280减少到256，减少计算量，加快训练速度。

4.根据权利要求1所述的基于卷积神经网络的前列腺TRUS图像分割方法，其特征在于，步骤4中，为了增强分割网络的分割结果的空间一致性和边界细节，在解码器中使用特征融合器模块来融合低级特征和高级特征，首先融合block4和block4的输出特征映射，并将其进行2倍的上采样，然后将结果与block2输出特征映射合并，并进行2倍的上采样，最后，结果与block1输出特征映射级联融合得到HLF(分层级特征)，利用1×1卷积将特征映射的通道(256，512，1024，1024)从编码器模块减少到(32，64，128，128)，整合整个图像的全局和局部信息，获得多层级特征，形成超级混合特征，更好地恢复前列腺图像轮廓的细节，然后分别应用2个2倍双线性上采样组成解码器恢复到原图像大小。