[发明专利]一种基于U型网络的MRI图像前列腺分割方法

说明书

一种基于U型网络的MRI图像前列腺分割方法，包括：步骤1、从MRI图像数据集中选取S₁幅图像组成训练集，并选取S₂幅未参与训练的MRI图像组成测试集，二者均包含对应前列腺区域手工标注结果；步骤2、分别对训练集和测试集中的所有MRI图像进行预处理，得到第一图像和第二图像；步骤3、初始化U型网络中的参数，并将所有第一图像依次输入到U型网络中进行训练，不断更新U型网络中的参数，得到训练完成的U型网络；步骤4、将第二图像输入到训练完成的U型网络中，得到每幅MRI图像前列腺区域的分割图。优点在于：使得特征提取工作更加高效、在边缘与细节处的分割结果更加准确、加快了网络模型收敛速度，整体分割精度得到提升。

技术领域

本发明涉及图像处理领域，特别涉及一种基于U型网络的MRI图像前列腺分割方法。

背景技术

前列腺疾病作为男科和泌尿外科的主要病种，其相关疾病发病率高达2.5％～16％，已成为困扰男性健康的主要问题之一。目前，计算机断层扫描(ComputedTomography，CT)和磁共振成像(Magnetic Resonance Imaging，MRI)是诊断前列腺疾病的主要手段，其中，由于MRI技术对软组织具有较高的分辨率，能够清晰地呈现出前列腺及病变组织，在前列腺疾病诊断中的应用日渐广泛。

临床上对前列腺病变的传统检测方法，往往需要医生手工勾勒出前列腺的组织轮廓，但受限于医生的经验技术水平以及存在的再现性差、工作量过大等问题，加之前列腺组织与周围组织的对比度较低，边界模糊不清，人工对前列腺区域分割的精确度难于保证，所以常常造成误诊、漏诊等情况。随着数字图像处理技术的飞跃，对MRI图像前列腺的自动分割方法得到了迅速的发展。如：Heimann等人提出了基于模型的MRI图像前列腺分割方法，该方法通过将测试图像与一个包含形状和外形信息的模型进行匹配，从而实现对MRI图像前列腺区域的分割，该方法对局部图像伪影和噪声有很好的鲁棒性，但计算过于复杂，而且通常需要手工标记出许多前列腺边界点作为先验知识，对边界标记点的位置非常敏感；为了缓解此问题，Yang等人引入判别分析法，结合尺度不变特征变换(Scale-invariantfeature transform，SIFT)特征，自适应地调整每一个标记点的位置，取得了一定的效果；在此基础上，基于边界特征学习的算法也被引入MRI图像前列腺分割中，该类方法利用形状和纹理信息来选择显著的特征点，力求正确描述前列腺组织的边缘。此外，得益于图论在图像边缘检测中的成功应用，Mahapatra等提出了一种利用随机森林和基于图论切割的前列腺自动分割方法，该方法首先利用超像素分割获得感兴趣区域，然后利用学习到的图像特征及上下文特征构建随机森林分类器并生成预测概率图，从而勾画出前列腺的组织轮廓。

上述方法虽然实现了前列腺组织的自动分割，但是由于过于依赖人工特征的选取或者需要引入先验信息，不仅分割精度还有待提高，而且计算复杂度高，时间消耗长，难于在临床上推广应用。近年来，深度学习因其强大的特征表达能力，在计算机视觉的图像识别相关领域中取得了巨大的成功，也极大地推动了MRI图像前列腺分割处理技术的发展。如：He提出了一种基于主动形状模型(Active shape model，ASM)的磁共振图像前列腺分割方法，该方法将深度特征学习融入到基于边界模型的三级ASM分割框架中，解决了不同受试者之间前列腺边界外观差异较大、分割效果较差的问题；Liao等人在深度学习框架下，采用堆叠的独立子空间分析(Independent subspace analysis，ISA)网络，以分层和无监督的方式学习最有效的特征，实现前列腺图像的分割，显著提高了算法的分割精度；凌等人则利用MRI图像高分辨率与多模态图像信息互补的特点，构建了一种基于MRI与CT图像的多模态深度学习模型，实现了前列腺组织的分割。