[发明专利]基于多深度信念网络的磁共振前列腺3D图像分割方法

说明书

技术领域

本发明属于一种图像处理技术领域，特别涉及一种磁共振三维图像分割方法，可用于对医学图像的处理。

背景技术

前列腺癌是男性最常见的恶性肿瘤之一，在欧美等发达国家前列腺癌发病率位列第一，死亡率仅次于肺癌。近些年来随着我国进入老年社会，前列腺癌发病率呈增长趋势。

前列腺周围组织器官众多且结构复杂，前列腺像一个倒扣的栗子，似圆形底部位于前列腺上方，尖形朝下。它紧邻膀胱，正前方是耻骨，后方紧挨着直肠。周围组织和前列腺黏连严重。图像分割方法是诊断治疗前列腺疾病的科学基础，也是前列腺疾病诊断治疗需要解决的关键技术之一。

目前，对于磁共振MRI前列腺图像的分割方法主要使用2D特征，磁共振MRI前列腺图像是序列图像，2D特征不能利用图像上下层之间的信息，主要使用人工选择的特征在2D上进行分割。这个人工选择主要依靠人们的经验和大量重复实验获得，一个好的特征几乎要用整个团队的力量去寻找，要耗费大量的时间反复摸索才能得到。由于医疗图像复杂多变，个性化强，通过人工选择的特征很难适用于所有复杂的医疗图像，影响临床诊断的准确性，所以面对复杂的磁共振MRI图像急需要一种更加灵活鲁棒、科学准确的分割方法。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于多深度信念网络的磁共振前列腺3D图像分割方法，以自适应的方式从图像中提取特征，避免人工选择特征的缺陷，提高复杂的磁共振MRI前列腺图像分割准确率。

本发明的思路是：通过使用序列3D图像块作为输入数据，构造多深度信念网络，能够自适应地提取图像特征，进而提高前列MRI图像分割效果；本发明得到的三维分割结果能够帮助医生对前列腺体有更加直观的认识，提高临床诊断和治疗的准确性。

根据上述思路，本发明技术方案包括如下：

(1)获取n×m幅磁共振MRI前列腺图像，其中n＝10表示患者个数，m≤50表示每个患者最多有50幅图像；

(2)对每幅图像的所有像素点进行预处理，即将以每个像素点为中心的13×13×3的长方体转换成1×507维的行向量，得到由m×l个行向量组成的患者数据集，其中l表示每一幅图像中的像素点个数，l≤7200；

(3)构造训练集：

从10个患者中选取9个患者，将所选的每个患者的前个行向量组成第一训练集，中间个行向量组成第二训练集，后个行向量组成第三训练集；

将剩余的1个患者，再按照如上方法分成三个测试集，分别为第一测试集、第二测试集和第三测试集；

(4)构建深度信念网络，分别用第一训练集学习得到网络一，用第二训练集学习得到网络二，用第三训练集学习得到网络三，这三个网络具有相同的结构；

(5)用网络一训练一个softmax分类器得到分类器一，用网络二训练一个softmax分类器得到分类器二，用网络三训练一个softmax分类器得到分类器三；

(6)对测试集进行分割：

将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果；

将第二测试集输入网络二将其结果输入分类器二进行计算，得到第二测试集的分割结果；

将第三测试集输入网络三将其结果输入分类器三进行计算，得到第三测试集的分割结果；

将三个测试集的分割结果依次合并，得到测试集的分割结果；

(7)对测试集分割结果进行三维形态学处理得到最终的分割结果。

本发明与现有的技术相比具有以下优点：

1.本发明采用深度信念网络对数据进行深度抽象描述，能够充分利用图像自身信息，无需人工选择特征，自适应性好，提高了分割效果。

2.本发明采用3D图像块作为深度信念网络的输入，能更有效利用磁共振MRI序列图像上下层的信息。

附图说明

图1是本发明实现总流程图；

图2是本发明对测试患者磁共振MRI前列腺图像分割效果图。

具体实施方法

参照附图1，本发明的实现步骤如下：

步骤1.获取患者图像。

从医院获取n×m幅磁共振MRI前列腺图像，其中n＝10表示患者个数，m≤50表示每个患者最多有50幅图像。

步骤2.根据患者图像获取患者数据集。

2a)获取每一幅图像的每一个像素点为中心的13×13×3的长方体；