[发明专利]基于集成深度卷积神经网络的前列腺磁共振图像分割方法

摘要

本发明涉及一种基于集成深度卷积神经网络的前列腺磁共振图像分割方法，分为粗略分割两部分，先对数据进行预处理归一化并依据有无直肠线圈将图像分为两类；然后进行基于特征匹配和相关显著性加权的非刚性配准；最后根据配准结果以及多数投票的算法进行二值标注图像融合从而获得初步的前列腺粗略分割结果。

主权项

1.一种基于集成深度卷积神经网络的前列腺磁共振图像分割方法，其特征在于步骤如下：步骤1：对无直肠线圈图像和直肠线圈图像两类图像进行预处理：对无直肠线圈图像按照公式(1)进行归一化：其中I_x和I′_x分别为位归一化前后像素x的像素值，I_max和I_min分别代表图像中的最大最小像素值，τ是根据图像的灰度值变化情况确定的阈值；对直肠线圈图像先进行泊松融合，然后再利用公式(1)对其进行归一化；步骤2：利用图谱库中的全部图谱对归一化后的目标图像P进行基于特征匹配与显著性加权的非刚性配准处理，得到与图谱中每个真实图像A_i相对应的坐标变换T_i，再分别将真实图像A_i对应的二值标注图像L_i按照T_i进行坐标变换，得到一系列的形变的二值分割图像L_i⊙T_i；使用多数投票的方法对所有的二值分割图像L_i⊙T_i进行阈值处理，从而获得最终的粗分割结果：其中A^(S)为最终的粗分割结果，为各个图谱配准到待分割图像后得到的分割结果；步骤3：在前列腺边界两侧的给定区域内，给定区域的半径取图像块边长大小，提取大量的n×n大小的图像块，根据中心像素是否为前列腺像素将这些图像块标注为前列腺与非前列腺两类图像块一起作为输入数据输入到多个DCNN中，训练得到多个具有分类两类图像块的网络模型；所述的DCNN包括3组卷积、池化、激活层以及两层全连接层和一层softmax‑loss层；步骤4：利用所有的DCNN对待分割区域B(V)内的所有像素点V进行分割，V∈B(V),并对分割结果进行集成判别：其中m_k是第k个DCNN模型，p(x＝y_i|m_j)是在第m_j个DCNN网络模型中输入图像块x被分为类别y_i的概率；步骤5：使用MATLAB的二值图像处理函数对步骤4的分割结果进行处理，去除了空洞和毛刺；再检测出边界曲线中异常值存在的区域，利用B样条曲线来拟合边界曲线，得到最终的分割结果。