一种前列腺图像分割方法及前列腺癌智能辅助诊断系统技术方案

本公开提供了一种前列腺图像分割方法及前列腺癌智能辅助诊断系统，其属于前列腺癌智能辅助诊断技术领域，所述方案包括：对待诊断的前列腺图像采用所述的一种前列腺图像分割方法进行分割；对分割得到的前列腺图像进行网格化处理后输入到预先训练的肿瘤判断网络模型中，获得每个网格图像的肿瘤判断结果；将存在肿瘤组织的网格图像进行合并，获得合并后的图像；并在所述区域内进行病灶概率分类及边界分割；基于合并后的图像，采用深度学习模型进行高阶特征提取；同时，对所述待诊断的前列腺图像进行影像组学特征提取；基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二次边界分割，获得前列腺图像的病灶概率分布结果。的病灶概率分布结果。的病灶概率分布结果。

【技术实现步骤摘要】
一种前列腺图像分割方法及前列腺癌智能辅助诊断系统


[0001]本公开属于前列腺癌智能辅助诊断
，尤其涉及一种前列腺图像分割方法及前列腺癌智能辅助诊断系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前临床上对前列腺癌的主要筛查手段是血清前列腺特异性抗原检测和直肠指诊检查。然而，血清前列腺特异性抗原的测试水平在实际检测中受到多种因素的影响，比如对前列腺癌患者进行直肠指检、留置导尿管、前列腺炎、性生活以及使用非那雄胺等多种药物，因此在临床上单独应用血清前列腺癌特异性抗原的检测在预估前列腺癌的检出率方面存在着相当大的误差和临床漏诊的情况。直肠指检的操作虽然简单易行且属于无创检查，但是该项操作主要是通过主观做出判断，而且在探查的过程中只能探查到贴近前列腺后包膜的肿瘤，因此，在前列腺癌的诊断中，直肠指检在临床上检测前列腺癌同样具有相当大的局限性。
[0004]同时，由于前列腺癌mpMRI有大量的影像数据，诊断过程均需要医生手动标识，耗费大量时间以及劳动力；此外，人工诊断结果存在主观性，往往受限于医生的经验而出现误诊的情况。

技术实现思路

[0005]本公开为了解决上述问题，提供了一种前列腺图像分割方法及前列腺癌智能辅助诊断系统，所述方案通过利用多模态mpMRI医疗影像数据对前列腺癌区域进行精准判断，首先，通过区域分类方法进行mpMRI图像分割，再通过轻量级卷积神经网络识别前列腺癌病灶，并采用进化算法优化卷积神经网络性能，一方面基于所述分割方法有效提高了图像分割的准确性；另一方面，通过所述诊断系统有效提高了临床前列腺癌辅助诊断的精确性。
[0006]根据本公开实施例的第一个方面，提供了一种前列腺图像分割方法，包括：
[0007]获取待分割的前列腺mpMRI图像序列；
[0008]基于预先训练的特征提取网络模型，分别提取不同序列MRI图像的若干不同层级特征图，并基于串联方式构成串联特征图；
[0009]基于获得的串联特征图及注意力机制，对所述串联特征图的特征通道权重进行重新标定，获得融合mpMRI图像有效信息的融合特征图；
[0010]基于所述融合特征图，通过区域建议网络及区域特征聚集网络获得候选区域特征图；
[0011]基于获得的候选区域特征图，通过预先训练的图像分割网络获得候选区域内检测目标的分割结果。
[0012]进一步的，基于获得的串联特征图及注意力机制，对所述串联特征图的特征通道
权重进行重新标定，具体为：
[0013]所述注意力机制采用SE模块，通过所述SE模块分别对每个串联特征图的不同特征通道进行相关性建模，标定不同特征通道权重；基于全局池化层，将不同特征通道的空间信息压缩为一个通道描述子；利用全连接层和ReLU层对不同特征通道间的相互依赖性进行建模，通过sigmoid激活函数获得不同特征通道的权重；通过尺度化操作，将得到的权重与特征通道相乘，重新标定特征通道权重，获得融合特征图。
[0014]进一步的，所述基于获得的候选区域特征图，通过预先训练的图像分割网络获得候选区域内检测目标的分割结果；具体为：
[0015]对于获得的候选区域特征图，利用边框回归算法对候选区域进行修正；基于区域分类分支网络获得候选区域所包含检测目标的类别及概率，并通过预先训练的图像分割网络获得候选区域内检测目标的分割结果。
[0016]进一步的，所述通过区域建议网络及区域特征聚集网络获得候选区域特征图，具体为：基于所述融合特征图，通过RPN网络获得候选区域，并基于RoIAlign方法获得候选区域特征图。
[0017]进一步的，所述不同序列包括ADC图像和TW2图像；
[0018]或，
[0019]所述特征提取网络模型采用并行的两个SE
‑
Resnet网络；
[0020]或，
[0021]对于获得的候选区域特征图，基于边框回归算法对候选区域进行修正，并输出候选区域包含的检测目标类别及概率值。
[0022]根据本公开实施例的第二个方面，提供了一种前列腺癌智能辅助诊断系统，包括：
[0023]对待诊断的前列腺图像进行分割，其中，所述分割方法采用上述的一种前列腺图像分割方法；
[0024]对分割得到的前列腺图像进行网格化处理，并将每个网格图像输入到预先训练的肿瘤判断网络模型中，获得每个网格图像的肿瘤判断结果；
[0025]将存在肿瘤组织的网格图像区域进行合并，获得合并后的图像；并在所述区域内进行病灶概率分类及边界分割；
[0026]基于合并后的图像，采用深度学习模型进行高阶特征提取；同时，对所述待诊断的前列腺图像进行影像组学特征提取；
[0027]基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二次边界分割，获得待诊断前列腺图像的病灶概率分布结果。
[0028]进一步的，所述对分割得到的前列腺图像进行网格化处理，并将每个网格图像输入到预先训练的肿瘤判断网络模型中，具体为：将分割得到的前列腺图像划分为大小为g*g网格，采用g/2为步长在网格图像中进行遍历，将每次遍历结果输入到所述肿瘤判断网络模型中，获得每个网格图像的肿瘤判断结果。
[0029]进一步的，所述肿瘤判断模型采用LocNet网络模型；
[0030]或
[0031]所述基于合并后的图像，采用深度学习模型进行高阶特征提取，具体采用CNN网络模型。
[0032]进一步的，对于所述深度学习模型的训练过程，基于进化算法对其网络参数及结构进行优化。
[0033]根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
[0034]对待诊断的前列腺图像进行分割，其中，所述分割方法采用上述的一种前列腺图像分割方法；
[0035]对分割得到的前列腺图像进行网格化处理，并将每个网格图像输入到预先训练的肿瘤判断网络模型中，获得每个网格图像的肿瘤判断结果；
[0036]将存在肿瘤组织的网格图像区域进行合并，获得合并后的图像；并在所述区域内进行病灶概率分类及边界分割；
[0037]基于合并后的图像，采用深度学习模型进行高阶特征提取；同时，对所述待诊断的前列腺图像进行影像组学特征提取；
[0038]基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二次边界分割，获得待诊断前列腺图像的病灶概率分布结果。
[0039]根据本公开实施例的第四个方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下步骤：
[0040]对待诊断的前列腺图像进行分割，其中，所述分割方法采用上述的一种前列腺图像分割方法；
[0041]对分割得到的前列腺图像进行网格化处理，并将每个网格图像输入到预先训练的肿瘤判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种前列腺图像分割方法，其特征在于，包括：获取待分割的前列腺mpMRI图像序列；基于预先训练的特征提取网络模型，分别提取不同序列MRI图像的若干不同层级特征图，并基于串联方式构成串联特征图；基于获得的串联特征图及注意力机制，对所述串联特征图的特征通道权重进行重新标定，获得融合mpMRI图像有效信息的融合特征图；基于所述融合特征图，通过区域建议网络及区域特征聚集网络获得候选区域特征图；基于获得的候选区域特征图，通过预先训练的图像分割网络获得候选区域内检测目标的分割结果。2.如权利要求1所述的一种前列腺图像分割方法，其特征在于，基于获得的串联特征图及注意力机制，对所述串联特征图的特征通道权重进行重新标定，具体为：所述注意力机制采用SE模块，通过所述SE模块分别对每个串联特征图的不同特征通道进行相关性建模，标定不同特征通道权重；基于全局池化层，将不同特征通道的空间信息压缩为一个通道描述子；利用全连接层和ReLU层对不同特征通道间的相互依赖性进行建模，通过sigmoid激活函数获得不同特征通道的权重；通过尺度化操作，将得到的权重与特征通道相乘，重新标定特征通道权重，获得融合特征图。3.如权利要求1所述的一种前列腺图像分割方法，其特征在于，所述基于获得的候选区域特征图，通过预先训练的图像分割网络获得候选区域内检测目标的分割结果；具体为：对于获得的候选区域特征图，利用边框回归算法对候选区域进行修正；基于区域分类分支网络获得候选区域所包含检测目标的类别及概率，并通过预先训练的图像分割网络获得候选区域内检测目标的分割结果。4.如权利要求1所述的一种前列腺图像分割方法，其特征在于，所述通过区域建议网络及区域特征聚集网络获得候选区域特征图，具体为：基于所述融合特征图，通过RPN网络获得候选区域，并基于RoIAlign方法获得候选区域特征图。5.如权利要求1所述的一种前列腺图像分割方法，其特征在于，所述不同序列包括ADC图像和TW2图像；或，所述特征提取网络模型采用并行的两个SE
‑
Resnet网络；或，对于获得的候选区域特征图，基于边框回归算法对候选区域进行修正，并输出候选区域包含的检测目标类别及概率值。6.一种前列腺癌智能辅助诊断系统，其特征在于，包括：对待诊断的前列腺图像进行分割，其中，所述分割方法采用如权利要求1
‑
5任一项所述的一种前列腺图像分割方法；对分割得到的前列腺图像进行网格化处理，并将每个网格图像输入到预先训练的肿瘤判断网络模型中，获得每个网格图像的肿瘤判断结果；将存在肿瘤组织的网格图像区域进行合并，获得合并后的图像；并在所述区域内进行病灶概率分类...

【专利技术属性】
技术研发人员：任鸿儒，吴斌，魏强，吕世栋，鲁仁全，
申请(专利权)人：南方医科大学南方医院，
类型：发明
国别省市：