[发明专利]一种融合先验信息的前列腺磁共振图像区域分割方法

说明书

本发明涉及一种融合先验信息的前列腺磁共振图像区域分割方法，包括：数据集准备，图像预处理，数据扩充处理；构建形状重构网络；构建初步的融合先验信息的前列腺区域分割网络；通过预处理后的验证集图像对初步的分割网络进行调整优化，获得前列腺区域分割网络；使用预处理后的测试集图像进行前列腺区域分割，得到前列腺区域分割结果图。本发明所述方法通过融合先验信息的方式能够实现前列腺区域的精细分割，具备良好的分割效果和泛化能力。

技术领域

本发明属于医学图像分割技术领域，涉及一种融合先验信息的前列腺磁共振图像区域分割方法。

背景技术

前列腺癌是发生在前列腺的上皮性恶性肿瘤，是最常见的危害中老年男性生命和健康的恶性肿瘤疾病之一。研究表明，肿瘤在前列腺不同区域存在不同的形态，且发病概率和严重程度也有所差异。通常从放射科的角度来看，整个前列腺可以分为中央区和外周带两部分，约70％-80％的发病区出现在外周带。

然而目前前列腺疾病的检查需要依赖放射科医生按照前列腺解剖结构手动勾画出区域轮廓。手动勾画的过程不仅耗时费力，而且不同医生之间也会存在主观性差异。随着医学图像处理技术的发展，利用计算机技术实现前列腺区域的全自动分割能够避免医生主观因素的影响，大大提升疾病诊断效率，对后续前列腺疾病的临床治疗以及前列腺癌的分级评估具有十分重要的研究意义。

医学图像分割方法主要分为传统分割方法和基于深度学习的分割方法两类，传统分割方法普遍存在鲁棒性较差的问题，尤其是在边界信息模糊的情况下分割精度很低。近年来，基于深度学习的医学图像分割方法因其优异的特征表示能力已被广泛提出，克服了传统方法依赖人工提取和选择特征的局限性。然而考虑到磁共振图像中前列腺区域所占面积比例较小、边界信息模糊、灰度分布不均匀以及腺体与周围组织对比度低等问题，仅靠图像的底层特征很难实现对前列腺区域的精准分割。基于此，本发明结合前列腺解剖结构特点，将先验信息充分整合到深度学习模型中，提出了一种融合先验信息的前列腺磁共振图像区域分割方法。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种融合先验信息的前列腺磁共振图像区域分割方法，将先验信息与深度学习模型充分融合，实现对前列腺区域的精细分割。

本发明是通过以下技术方案来实现的，本发明具体为：

1、一种融合先验信息的前列腺磁共振图像区域分割方法，其特征在于，所述方法包括：

步骤1：获取前列腺磁共振数据集，将其划分为训练集、验证集和测试集三部分，并将前列腺三维磁共振图像转化为二维轴向序列切片图像；

步骤2：图像预处理：对所有序列切片图像依次进行灰度归一化处理、中央裁剪处理、尺寸归一化处理以及对比度限制自适应直方图均衡化处理；

步骤3：对步骤2所得的训练集图像及相应的标签图像进行数据扩充处理，具体包括：水平翻转、小幅度随机平移、小角度随机旋转和弹性形变；

步骤4：构建形状重构网络，包括以下步骤：

1)使用卷积自动编码器为基本架构，构建形状重构网络；

2)将步骤3所得的训练集标签图像作为步骤1)中形状重构网络的输入，对形状重构网络进行预训练；

步骤5：构建融合先验信息的分割网络，包括以下步骤：

1)使用U-Net作为分割网络的基本架构，将形状重构网络作为一个扩展网络连接到U-Net，同时将空间约束模块嵌入到U-Net底部，构建融合先验信息的分割网络；

2)将步骤3所得的训练集图像及其对应的标签图像作为步骤1)中分割网络的输入，开始融合先验信息的前列腺区域分割网络的训练；