[发明专利]一种基于Mask R-CNN的前列腺超声图像分割方法及设备

权利要求书

1.一种基于Mask R-CNN前列腺超声图像分割方法，其特征在于，包括以下步骤：

建立Mask R-CNN+ResNet-101网络模型；

将待分割的前列腺超声图像输入至所述Mask R-CNN+ResNet-101网络模型中进行分割；

将分割完成后的前列腺超声图像输出。

2.根据权利要求1所述的一种基于Mask R-CNN前列腺超声图像分割方法，其特征在于，所述建立Mask R-CNN+ResNet-101网络模型步骤包括：

构建带有分割标注信息的前列腺超声图像数据集；

调用Mask R-CNN+ResNet-101网络；

将所述带有分割标注信息的前列腺超声图像数据集中的前列腺超声图像输入所述Mask R-CNN+ResNet-101网络中；

根据所述前列腺超声图像的分割标注信息，对所述Mask R-CNN+ResNet-101网络进行训练，获得训练结果；

根据所述训练结果，建立Mask R-CNN+ResNet-101网络模型。

3.根据权利要求2所述的一种基于Mask R-CNN前列腺超声图像分割方法，其特征在于，所述根据所述前列腺超声图像的分割标注信息，对所述Mask R-CNN+ResNet-101网络进行训练，获得训练结果步骤包括：

将带有分割标注信息的前列腺超声图像输入Mask R-CNN+ResNet-101网络模型；

通过卷积神经网络对前列腺超声图像进行特征提取，获得对应的前列腺超声图像特征图；

将带有图像特征的前列腺超声图像通过区域建议网络在特征图上迅速生成候选区域，在候选区域上通过双线性插值算法，保留浮点型坐标，经过池化处理，得到固定尺寸的前列腺超声分割特征图像；

对获得的前列腺超声分割特征图像进行检测，获得前列腺超声分割特征图像目标定位和/分类；

通过全卷积网络对定位和/分类后的前列腺超声分割特征图像绘出对应的二值掩码实现分割，输出前列腺超声图像的预测图像。

4.根据权利要求3所述的一种基于MaskR-CNN前列腺超声图像分割方法，其特征在于，所述双线性插值算法包括步骤：

当R₁＝(x,y₁)

当R₂＝(x,y₂)

再对y方向进行线性插值

其中f(x，y)是待求解点P的像素值，已知四点是f(Q₁₁)、f(Q₁₂)、f(Q₂₁)、f(Q₂₂)，四点像素值是Q₁₁＝(x₁，y₁)，Q₁₂＝(x₁，y₂)，Q₂₁＝(x₂，y₁)及Q₂₂＝(x₂，y₂)，x方向插值得到f(R₁)、f(R₂)像素值。

5.一种基于MaskR-CNN前列腺超声图像分割设备，其特征在于，包括：

模型建立模块，用于建立Mask R-CNN+ResNet-101网络模型；

输入模块，将待分割的前列腺超声图像输入至所述Mask R-CNN+ResNet-101网络模型中；

输出模块，用于输出分割完成后的前列腺超声图像。