一种基于Mask R-CNN的前列腺超声图像分割方法及设备技术

本发明专利技术实施例公开了一种基于Mask R‑CNN前列腺超声图像分割方法，包括建立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。同时还提供一种基于Mask R‑CNN前列腺超声图像分割设备，包括模型建立模块、输入模块、输出模块。与现有技术相比，本发明专利技术解决现有前列腺超声图像分割不够精准、定位准确性不高的问题。

A prostate ultrasound image segmentation method and equipment based on mask r-cnn

【技术实现步骤摘要】
一种基于MaskR-CNN的前列腺超声图像分割方法及设备
本专利技术涉及医学图像处理
，特别涉及一种基于MaskR-CNN的前列腺超声图像分割方法及设备。
技术介绍
前列腺超声图像分割是计算机视觉领域和医疗图像的一个重要研究方向，分割技术给医学上检测和治疗前列腺提供应用价值，当前，随着人工智能在医学领域的迅速发展，前列腺超声图像分割在模式识别领域得到了广泛的研究和运用。由于前列腺超声图显具有严重的斑点噪声以及低信噪比等问题，且大多数前列腺超声图像分割算法不具有像素级分割，所以目前的前列腺超声图像分割不够精准、定位准确性不高，这给医生后期的判断和工作都带来不少的困扰和压力。因此，如何提供一种能够提高定位准确性的前列腺超声图像分割算法和设备，是本领域技术人员亟待解决的问题。
技术实现思路
本专利技术实施例提供了一种基于MaskR-CNN的前列腺超声图像分割方法及设备，能够实现对前列腺超声图像的精确分割，进而减轻医生的工作负担。为解决现有技术当中存在的问题，本专利技术提供的一种基于MaskR-CNN前列腺超声图像分割方法具体方案为：一种基于MaskR-CNN前列腺超声图像分割方法，包括以下步骤：建立MaskR-CNN+ResNet-101网络模型；将待分割的前列腺超声图像输入至所述MaskR-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。优选地，所述建立MaskR-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MaskR-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MaskR-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MaskR-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MaskR-CNN+ResNet-101网络模型。优选地，所述根据所述前列腺超声图像的分割标注信息，对所述MaskR-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MaskR-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。优选地，所述双线性插值算法包括步骤：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。本专利技术的另一目的在于还提供一种基于MaskR-CNN前列腺超声图像分割设备，包括：模型建立模块，用于建立MaskR-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MaskR-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。优选地，所述模型建立模块包含：获取单元，用于获取病人的前列腺超声图像；识别单元，用于标注前列腺超声图像的分割边界线，构建带有分割标注信息的前列腺超声图像数据集；调用单元，用于调用MaskR-CNN+ResNet-101网络；输入单元，用于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MaskR-CNN+ResNet-101网络中；训练单元，用于根据所述前列腺超声图像的分割标注信息，对所述MaskR-CNN+ResNet-101网络进行训练，获得训练结果；模型建立单元，用于根据所述训练结果，建立MaskR-CNN+ResNet-101网络模型。优选地，所述训练单元包括：特征提取子单元，用于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；检测子单元，用于实现对前列腺超声图像中目标的定位及分类；分割子单元，运用全卷积网络生成二值掩码，实现前列腺超声图像的分割。从以上技术方案可以看出，本专利技术实施例具有以下优点：本专利技术通过基于MaskR-CNN+ResNet-101网络，对前列腺超声图像进行搜集、分类、标准等，进而建立MaskR-CNN+ResNet-101网络模型，把大量前列腺超声图像输入卷积神经网络，提取图像特征；然后在ROIAlign层上充分利用双线性插值算法，保留浮点坐标；通过对前列腺超声图像经过池化处理，得到固定尺寸特征图像，并运用全卷积网络生成二值掩码，实现前列腺超声图像的分割和前列腺超声图像的输出。附图说明图1为本专利技术中一种基于MaskR-CNN的前列腺超声图像分割方法的一个实施例流程示意图；图2为本专利技术中一种基于MaskR-CNN的前列腺超声图像分割方法的实施例原理图；图3为本专利技术中的ResNet-101网络的结构示意图；图4是本专利技术中一种基于MaskR-CNN的前列腺图像分割设备的一个实施例结构示意框图；图5是根据本专利技术中一种基于MaskR-CNN的前列腺超声图像分割方法的一个实施例处理效果示意图；图6是本专利技术中一种基于MaskR-CNN的前列腺超声图像分割设备的ROIAlign算法处理的一个实施例示意图；图7是本专利技术中一种基于MaskR-CNN的前列腺图像分割设备的另一个实施例结构示意框图；图8是本专利技术中一种基于MaskR-CNN的前列腺图像分割设备中的训练单元的一个实施例结构示意框图。具体实施方式本专利技术实施例提供了一种基于MaskR-CNN的前列腺超声图像分割方法及设备，能够实现对前列腺超声图像的精确分割，减轻医生的工作负担。下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚和详细的描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1至图8，分别为本专利技术中一种基于MaskR-CNN的前列腺超声图像分割方法及设备或原理的实施例示意图。实施例1本实施例所提供的一种基于MaskR-CNN的前列腺超本文档来自技高网...

【技术保护点】
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：/n建立Mask R-CNN+ResNet-101网络模型；/n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；/n将分割完成后的前列腺超声图像输出。/n

【技术特征摘要】
1.一种基于MaskR-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MaskR-CNN+ResNet-101网络模型；
将待分割的前列腺超声图像输入至所述MaskR-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MaskR-CNN前列腺超声图像分割方法，其特征在于，所述建立MaskR-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MaskR-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MaskR-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MaskR-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MaskR-CNN+ResNet-101网络模型。


3.根据权利要求2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，所述根据所述前列腺超声图像的分割标注信息，对所述MaskR-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MaskR-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...

【专利技术属性】
技术研发人员：卢旭，刘志勇，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：广东;44