[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

说明书

本发明涉及一种基于卷积神经网络的前列腺经直肠超声(TRUS)图像分割方法，包括：1)利用具有全局特征编码语义信息的扩张空间金字塔池化(DSPP)模块来提取前列腺TRUS图像中多尺度的卷积特征；2)为了处理分割前列腺阴影区域中的缺失边界，提出了可混合低级特征和高级特征的超级混合特征(SHF)；3)提出了编码器‑解码器组成的新型网络。结果表明，该方法可以实现精确的前列腺TRUS图像分割，相比于目前的技术，本发明提高了分割的准确性和速度，成功解决了前列腺TRUS图像人工分割效率低、准确率低、消耗过多的人力资源等问题。

技术领域

本发明涉及一种基于卷积神经网络的前列腺TRUS图像分割方法，在分割效 率、鲁棒性以及准确性方面优于现有技术，具有很好的分割性能，属于医学图像 处理、深度学习领域。

背景技术

前列腺癌是世界各地男性健康面临的最大威胁之一。据美国癌症协会统计， 2016年约有180,890例新发病例和26,120例死于前列腺癌。由于无辐射，低成 本和实时要求，TRUS已成为诊断和治疗前列腺癌的主要成像技术。目前，大多 数现代临床应用依赖TRUS图像，其中前列腺分割通常由专业医生手动获得。

临床手工分割前列腺通常需要专家手动进行，是十分耗时的，可重复性差并 且依赖于专家经验。自动分割可以提高结果的可重复性和临床效率，具有重要的 临床意义。但自动前列腺分割具有挑战性。影响TRUS图像分割的主要原因如 下：1.重斑点和低信噪比(SNR)；2.相邻类似组织之间的弱边界问题；3.在阴影 伪影等领域缺少边界。因此，TRUS图像的精确分割仍然是一个难题。

目前，前列腺的主要分割方法分为基于轮廓和形状的分割，基于区域的分割， 基于监督和无监督分类方法的分割。基于轮廓的方法是半自动的，需要从每个分 割图像的特定位置选择6个点来初始化算法，并且不能实时使用。基于形状的分 割方法在数据差异较大时，分割的结果不够准确。基于区域的分割方法在没有尖 锐边缘和白噪声的情况下可以获得更好的结果，但是停止函数的标准取决于区域 的统计数据。基于分类的分割方法，参数和非参数估计被用作特征向量。使用非 线性支持向量机，TRUS图像被分类为前列腺区域和非前列腺区域。这种方法对 于在没有边界的情况下分割结果并不理想。

近年来，深卷积神经网络(DCNN)在计算机视觉和医学图像处理等领域表 现出的性能优于现有技术。本发明提出了一种新颖的前列腺分割框架来解决上述 问题，通过在前列腺的TRUS图像上利用DCNN来解决上述问题。

发明内容

本发明提出了一种基于卷积神经网络的前列腺TRUS图像分割方法，使用一 系列卷积神经网络组成的编码器，通过应用DSPP来提取多尺度语义信息，后接 一个SHF解码器模块用于细化前列腺边界分割结果，形成前列腺分割网络。

本发明的技术方案，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。

与现有技术相比，本发明的有益效果是：