基于深度学习卷积神经网络的自动分割前列腺全腺体方法技术

本发明专利技术涉及基于深度学习卷积神经网络的自动分割前列腺全腺体方法。包括：获取样本的前列腺MR图像；将所述前列腺MR图像输入前列腺全腺体分割网络，得到前列腺全腺体图像，所述前列腺全腺体分割网络包括前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述前列腺尖部分割网络用于分割前列腺MR图像得到前列腺尖部图像，所述前列腺中部分割网络用于分割前列腺MR图像得到前列腺中部图像，所述前列腺底部分割网络用于分割前列腺MR图像得到前列腺底部图像，将所述前列腺尖部图像、前列腺中部图像和前列腺底部图像进行图像合并，得到前列腺全腺体分割图像。本发明专利技术从前列腺解剖结构特点出发，提供更好的前列腺全腺体分割方法。体分割方法。体分割方法。

【技术实现步骤摘要】
基于深度学习卷积神经网络的自动分割前列腺全腺体方法


[0001]本专利技术涉及智能医疗
，更具体地，涉及一种基于深度学习卷积神经网络的自动分割前列腺全腺体方法、设备、系统及存储介质。

技术介绍

[0002]MR图像上准确的前列腺全腺分割在前列腺癌甚至良性前列腺增生的管理中起着重要作用，对于恶性前列腺癌，准确高效的前列腺轮廓识别对癌症分期和放射治疗计划等至关重要。深度学习的进步在医学影像分析方面取得了突出的成果，最近提出的U
‑
Net架构已成功应用于前列腺分割。然而，这些研究大多基于公共数据集或单一图像，有些分割模型的效果泛化性不佳，这些很大原因是由于没有深入考虑前列腺MR图像中各种图像的分辨率差异较大，没有从前列腺解剖结构出发解决这些临床影像实际情况。

技术实现思路

[0003]为解决上述问题，我们基于前列腺MR图像的特点和前列腺解剖结构特点，建立一种基于深度学习卷积神经网络的自动分割前列腺全腺体方法、设备、系统及存储介质。
[0004]本申请公开了一种基于深度学习卷积神经网络的自动分割前列腺全腺体方法，具体方法步骤包括：获取样本的前列腺MR图像；将所述前列腺MR图像输入前列腺全腺体分割网络，得到前列腺全腺体图像，所述前列腺全腺体分割网络包括前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述前列腺尖部分割网络用于分割前列腺MR图像得到前列腺尖部图像，所述前列腺中部分割网络用于分割前列腺MR图像得到前列腺中部图像，所述前列腺底部分割网络用于分割前列腺MR图像得到前列腺底部图像，将所述前列腺尖部图像、前列腺中部图像和前列腺底部图像进行图像合并，得到前列腺全腺体分割图像。
[0005]进一步，所述方法步骤还包括将前列腺MR图像进行分类，将所述前列腺MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；可选的，将所述前列腺MR图像输入分类器中，所述分类器基于所述前列腺MR图像信息中的序列名称或分辨率对前列腺MR图像进行分类，将所述前列腺MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。
[0006]进一步，所述方法步骤还包括将前列腺MR图像进行分类，将所述前列腺MR图像分为前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像；可选的，将所述前列腺MR图像输入分类器中，所述分类器基于前列腺解剖结构对前列腺MR图像进行分类，将所述前列腺MR图像分为前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像。
[0007]进一步，采用分类器对前列腺MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。
[0008]进一步，将所述T2WI图像输入第一前列腺全腺体分割网络，得到第一前列腺全腺
体图像，所述第一前列腺全腺体分割网络包括第一前列腺尖部分割网络、第一前列腺中部分割网络和第一前列腺底部分割网络；将所述DWI图像输入第二前列腺全腺体分割网络，得到第二前列腺全腺体图像，所述第二前列腺全腺体分割网络包括第二前列腺尖部分割网络、第二前列腺中部分割网络和第二前列腺底部分割网络；将所述ADC图像输入第三前列腺全腺体分割网络，得到第三前列腺全腺体图像，所述第三前列腺全腺体分割网络包括第三前列腺尖部分割网络、第三前列腺中部分割网络和第三前列腺底部分割网络； 将所述DCE图像输入第四前列腺全腺体分割网络，得到第四前列腺全腺体图像，所述第四前列腺全腺体分割网络包括第四前列腺尖部分割网络、第四前列腺中部分割网络和第四前列腺底部分割网络。
[0009]进一步，所述分割网络为3D U
‑
net分割网络；可选的，所述3D U
‑
net分割网络包括3
‑
5个上采样模块和3
‑
5个下采样模块，所述第一前列腺尖部分割网络、第一前列腺中部分割网络和第一前列腺底部分割网络为包括5个上采样模块和5个下采样模块；所述第二前列腺尖部分割网络、第二前列腺中部分割网络和第二前列腺底部分割网络包括3个上采样模块和3个下采样模块。进一步，所述前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络为预先训练好的前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述预先训练包括：获取训练样本的前列腺MR图像；对所述前列腺MR图像进行数据增强得到数据增强处理后的前列腺MR图像，可选的，所述数据增强包括水平镜像、随机裁剪、平移、亮度增强、对比度增强中的一种或几种；将所述数据增强处理后前列腺MR图像分为前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像；将所述前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像分别输入前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，得到前列腺尖部图像、前列腺中部图像和前列腺底部图像，将得到的前列腺尖部图像、前列腺中部图像和前列腺底部图像与医生手动圈定的图像进行比对，生成损失值，反向传播，优化网络参数，得到预先训练好的前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络。
[0010]本申请的目的在于提供一种基于深度学习卷积神经网络的自动分割前列腺全腺体的系统，包括：获取单元，用于获取样本的前列腺MR图像；分割单元，用于将所述前列腺MR图像输入前列腺全腺体分割网络，得到前列腺全腺体图像，所述前列腺全腺体分割网络包括前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述前列腺尖部分割网络用于分割前列腺MR图像得到前列腺尖部图像，所述前列腺中部分割网络用于分割前列腺MR图像得到前列腺中部图像，所述前列腺底部分割网络用于分割前列腺MR图像得到前列腺底部图像，将所述前列腺尖部图像、前列腺中部图像和前列腺底部图像进行合并，得到前列腺全腺体分割图像。
[0011]本申请的目的在于提供一种基于深度学习卷积神经网络的自动分割前列腺全腺体的设备，包括：存储器和处理器；所述存储器用于存储程序指令；所述处理器用于调用程序指令，当程序指令被执行时实现上述的基于深度学习卷
积神经网络的自动分割前列腺全腺体方法步骤。
[0012]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于深度学习卷积神经网络的自动分割前列腺全腺体方法步骤。
[0013]本申请的优点：1.本申请考虑到前列腺MR图像中T2WI图像、DWI图像、ADC图像或DCE图像的分辨率差异较大，将不同种图像样本同时用于模型训练时将导致模型训练结果不理想，故而在进行分割网络训练时，分别进行了分割网络模型的训练，并且在分割网络上采样模块和下采样模块上分别进行了调整，调整后的模型能自动准确的分割T2WI图像、DWI图像、ADC图像或DCE图像前列腺整个腺体；2.本申请在实际模型训练中发现部分区域分割效果不佳，考虑前列腺解剖结构差异，将前列腺全腺体MR图像分为前列腺尖部MR图像、前列腺中部MR图像和前列腺底部MR图像，分别训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习卷积神经网络的自动分割前列腺全腺体方法，其特征在于，具体方法步骤包括：获取样本的前列腺MR图像；将所述前列腺MR图像输入前列腺全腺体分割网络，得到前列腺全腺体图像，所述前列腺全腺体分割网络包括前列腺尖部分割网络、前列腺中部分割网络和前列腺底部分割网络，所述前列腺尖部分割网络用于分割前列腺MR图像得到前列腺尖部图像，所述前列腺中部分割网络用于分割前列腺MR图像得到前列腺中部图像，所述前列腺底部分割网络用于分割前列腺MR图像得到前列腺底部图像，将所述前列腺尖部图像、前列腺中部图像和前列腺底部图像进行图像合并，得到前列腺全腺体分割图像。2.根据权利要求1中所述的基于深度学习卷积神经网络的自动分割前列腺全腺体方法，其特征在于，所述方法步骤还包括将前列腺MR图像进行分类，将所述前列腺MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像；可选的，将所述前列腺MR图像输入分类器中，所述分类器基于所述前列腺MR图像的分辨率或序列名称对前列腺MR图像进行分类，将所述前列腺MR图像分为T2WI图像、DWI图像、ADC图像或DCE图像。3.根据权利要求2中所述的基于深度学习卷积神经网络的自动分割前列腺全腺体方法，其特征在于，所述方法步骤还包括将前列腺MR图像进行分类，将所述前列腺MR图像分为前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像；可选的，将所述前列腺MR图像输入分类器中，所述分类器基于前列腺解剖结构对前列腺MR图像进行分类，将所述前列腺MR图像分为前列腺尖部MR图像、前列腺中部MR图像或前列腺底部MR图像。4.根据权利要求2或3中所述的基于深度学习卷积神经网络的自动分割前列腺全腺体方法，其特征在于，采用分类器对前列腺MR图像进行分类，所述分类器选自下列机器学习模型算法中的一种或几种：逻辑回归算法、朴素贝叶斯分类、支持向量机、k近邻、决策树、随机森林、xgboost、感知机算法。5.根据权利要求2中所述的基于深度学习卷积神经网络的自动分割前列腺全腺体方法，其特征在于，将所述T2WI图像输入第一前列腺全腺体分割网络，得到第一前列腺全腺体图像，所述第一前列腺全腺体分割网络包括第一前列腺尖部分割网络、第一前列腺中部分割网络和第一前列腺底部分割网络；将所述DWI图像输入第二前列腺全腺体分割网络，得到第二前列腺全腺体图像，所述第二前列腺全腺体分割网络包括第二前列腺尖部分割网络、第二前列腺中部分割网络和第二前列腺底部分割网络；将所述ADC图像输入第三前列腺全腺体分割网络，得到第三前列腺全腺体图像，所述第三前列腺全腺体分割网络包括第三前列腺尖部分割网络、第三前列腺中部分割网络和第三前列腺底部分割网络； 将所述DCE图像输入第四前列腺全腺体分割网络，得到第四前列腺全腺体图像，所述第四前列腺全腺体分割网络包括第四前列腺尖部分割网络、第四前列腺中部分割网络和第四前列腺底部分割网络。6.根据权利要求5中所述的基于深度学习卷积神经网络的自动分...

【专利技术属性】
技术研发人员：许梨梨，孙昊，张古沐阳，李秀丽，毛丽，张晓霄，白鑫，陈丽，张家慧，金征宇，
申请(专利权)人：中国医学科学院北京协和医院，
类型：发明
国别省市：