[发明专利]前列腺超声分割模型的训练方法、分割方法及装置

说明书

本发明的目的在于提出前列腺超声分割模型的训练方法、分割方法及装置，涉及图像处理领域。训练方法包括：获取每个患者成对的前列腺超声图像和Mask图；对每个患者成对的前列腺超声图像和Mask图进行数据预处理，划分出训练集，并对训练集中每个患者成对的前列腺超声图像和Mask图进行数据增强处理；将注意力机制结合到3D‑UNet中构建前列腺超声分割模型，并根据训练集对前列腺超声分割模型进行训练；根据训练集提取出前列腺轮廓的先验知识并构建损失函数；根据损失函数调整前列腺超声分割模型的模型参数。利用基于前列腺形状先验知识和注意力机制的深度学习方法进行前列腺超声分割，将形状先验知识和超声图像结合，有效提升图像分割的准确性。

技术领域

本发明涉及图像处理技术领域，特别是一种前列腺超声分割模型的训练方法、分割方法及装置。

背景技术

前列腺癌的发病率正呈逐年上升的趋势，而前列腺超声是前列腺癌诊疗中最为广泛应用的成像方式。在前列腺融合穿刺、近距离放射治疗中，前列腺超声图像的精确分割对于穿刺策略、放疗剂量的选择尤为重要。但是医生手工进行分割费时费力，并且一致性欠佳。随着深度学习技术的发展，深度学习技术也逐渐应用到前列腺超声分割领域中。但是，由于前列腺图像超声的特性，深度学习在前列腺超声分割中还存在一些问题：

1.超声图像信噪比较低，超声波反射过程中会出现伪影；由于信号回落和遮挡，还会出现结构成像失败。这些问题导致前列腺和周围组织之间边界不清，极大地影响模型性能。

2.深度学习会将输入图片的所有信息进行计算，不会识别图像中的关键信息；而图像分割中，目标区域可能仅占图像的一小部份。复杂任务需要大量的输入信息和复杂的计算，部分权重地计算图像所有信息会影响模型的计算效率。

发明内容

针对上述缺陷，本发明的目的在于提出前列腺超声分割模型的训练方法、分割方法及装置，利用基于前列腺形状先验知识和注意力机制的深度学习方法进行前列腺超声分割，将形状先验知识和超声图像结合，有效提升图像分割的准确性。

为达此目的，本发明采用以下技术方案：

本发明第一方面公开了前列腺超声分割模型的训练方法，包括如下步骤：

获取每个患者成对的前列腺超声图像和Mask图；

对每个患者成对的前列腺超声图像和Mask图进行数据预处理，划分出训练集，并对上述训练集中每个患者成对的前列腺超声图像和Mask图进行数据增强处理；

将注意力机制结合到3D-UNet中构建前列腺超声分割模型，并根据上述训练集对前列腺超声分割模型进行训练；

根据上述训练集提取出前列腺轮廓的先验知识并构建损失函数；

根据上述损失函数调整前列腺超声分割模型的模型参数，获得优化后的前列腺超声分割模型。

作为一种可选的实施例，在本发明第一方面中，上述损失函数包括主动形状损失函数和均方损失函数，根据上述损失函数调整前列腺超声分割模型的模型参数包括如下步骤：

联合主动形状损失函数和均方损失函数；

以Adam算法为优化器，通过余弦退火重启动方法动态调整前列腺超声分割模型的学习率，以使损失函数反向传播迭代更新权重。

作为一种可选的实施例，在本发明第一方面中，上述训练集提取出前列腺轮廓的先验知识并构建损失函数包括如下步骤：