一种面向前列腺系统穿刺的3DMR与TRUS图像分割方法技术方案

本发明专利技术提供了一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，包括以下步骤：分别获取前列腺3D MR与TRUS图像数据集；分别对数据集进行预处理，数据增强后得到训练数据集；构建分割生成器网络模型，分割生成器网络包括编码器、解码器、跳跃连接和Bottleneck模块；构建鉴别器网络模型，鉴别器网络用于区分分割生成器网络输出结果和Ground truth，并将鉴别结果用于分割生成器网络的训练；训练数据集随机划分为训练集和验证集两部分，采用训练数据集对分割生成器网络进行训练；建立分割效果的评估指标，通过消融实验和对比实验评估模型效果。本发明专利技术提供一种基于深度学习方法的，面向前列腺系统穿刺的3D MR与TRUS图像分割方法，实现3D MR与TRUS图像的实时准确分割。MR与TRUS图像的实时准确分割。MR与TRUS图像的实时准确分割。

【技术实现步骤摘要】
一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法


[0001]本专利技术属于深度学习图像处理
，尤其涉及医学图像分割技术，具体是一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法。

技术介绍

[0002]前列腺癌高居全世界男性癌症致死率榜第二位，重在前期的预防与诊断，目前，前列腺癌的主流诊断方法是前列腺特异性抗原(Prostate Specific Antigen，PSA)检测，并继以穿刺活检，由于PSA存在特异性较差，敏感性不高的特点，故临床上将穿刺活检作为确诊前列腺癌的金标准。前列腺介入诊疗领域，医学影像引导的诊疗方法占据着主流地位，前列腺解剖结构和病灶的可视化主要依靠磁共振(Magnetic Resonance，MR)成像或经直肠超声(Transrectal Ultrasound，TRUS)成像，TRUS由于良好的实时性及普适性已经成为应用最广泛的医学成像模式。超声成像在活检、近距离放射治疗等众多临床介入诊疗应用场景中都是主要的成像模式，TRUS图像的特点包括：(1)操作简单，实时性好；(2)只能进行局部扫查，不利于前列腺整体显示；(3)相对分辨率不高，信噪比较低，易受斑点噪声干扰，腺体边缘不清晰。另一方面，多参数磁共振成像(multi
‑
parameter Magnetic Resonance imaging，mpMRI)是PCA分期及表征的理想工具，MR成像的特点包括：(1)图像整体清晰度高，软组织成像效果好，噪声干扰较少，腺体边界明显，病灶清晰；(2)成像时间长，操作复杂，难以满足介入手术对实时成像的要求。
[0003]由于MR和TRUS成像都存在严重缺陷(MR成像实时性差，TRUS成像质量低)，急需一种能够同时满足前列腺介入诊疗对于精度和实时性两方面要求的成像方法，对此，提出一种采用手动或半自动的分割方法来分割MR和TRUS图像，以便满足精度和实时性两方面要求。
[0004]然而，采用手动或半自动的分割方法来分割MR和TRUS图像完全依赖于医师的专业素养与身心状态。传统的自动分割方法主要分为基于轮廓和形状的方法、基于区域的方法以及混合方法，应用较为广泛的有主动形状模型、主动外观模型、水平集和图割方法，这些方法的实时性和泛化性都比较差。

技术实现思路

[0005]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，可以提高MR和TRUS图像分割的实时性和泛化性。
[0006]为了达到上述目的，本专利技术所采用的具体技术方案如下：
[0007]一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，具体包括以下步骤：
[0008]S1、分别获取前列腺3D MR与TRUS图像数据集；
[0009]S2、分别对上述两个数据集进行预处理，数据增强后得到训练数据集；
[0010]S3、构建分割生成器网络模型，分割生成器网络包括编码器、解码器、跳跃连接和Bottleneck模块；所述编码器用于提取图像的切片内上下文信息和切片间关联信息的三维
特征，所述解码器用于融合特征生成最终的分割掩模，所述跳跃连接分别与所述编码器和解码器连接，用于减少编码器的低级语义特征与解码器的高级语义特征融合时的语义差异，为具有最多语义信息的通道赋予更大的权重，所述Bottleneck模块为编码器与解码器的中间连接部分，通过自注意力机制将编码器提取的细节特征和边缘信息传递到解码器，在每个解码器层后添加一个深度监督层，所述深度监督层通过与Ground truth计算得到的损失函数对分割生成器网络进行训练；
[0011]S4、构建鉴别器网络模型，鉴别器网络用于区分分割生成器网络输出结果和Ground truth，并将鉴别结果用于分割生成器网络的训练；
[0012]S5、训练数据集随机划分为训练集和验证集两部分，采用训练数据集对分割生成器网络进行训练；
[0013]S6、将训练集输入分割生成器网络，分割生成器网络输出的分割掩模与Ground truth分别与输入图像拼接后输入鉴别器，计算损失函数并训练网络模型；
[0014]S7、将验证集输入分割生成器网络，分割生成器网络输出的分割掩模与Ground truth分别与输入图像拼接后输入鉴别器，计算损失函数；
[0015]S8、建立分割效果的评估指标，通过消融实验和对比实验评估模型效果。
[0016]优选的，步骤S2具体包括以下步骤：
[0017]S201，对前列腺3D MR图像数据集进行重采样，截取MR图像以前列腺为中心的区域，对截取所得图像的所有像素进行灰度归一化处理；若前列腺3DTRUS图像数据集为同一设备采集后三维重建，则直接截取TRUS图像以前列腺为中心的区域，对截取所得图像的所有像素进行灰度归一化处理；
[0018]S202，通过数据增强对上述图像数据集进行扩增，得到训练数据集。
[0019]优选的，所述跳跃连接包括残差卷积块RC
‑
Block和通道注意力机制模块C
‑
Block，根据编码器层与解码器层间语义差异的严重程度调整RC
‑
Block中卷积层的数量，通道注意力机制模块C
‑
Block根据每个通道语义信息的丰富程度赋予不同的权重。
[0020]优选的，所述通道注意力机制模块C
‑
Block包括注意力掩模生成和特征重标定两个步骤，输入特征图和注意力掩模逐元素相乘作为重标定后的输出特征图。
[0021]优选的，所述编码器、解码器均包括三维残差卷积块R
‑
Block和三维密集残差卷积块DR
‑
Block，三维残差卷积块R
‑
Block用于浅层特征的提取和融合。
[0022]优选的，三维密集残差卷积块DR
‑
Block的内部结构为Conv
‑
BN
‑
PReLU
‑
Conv
‑
Conv
‑
BN
‑
PReLU。
[0023]优选的，所述Bottleneck模块采用通道注意力和空间注意力组成的双注意力机制，两个注意力模块的处理过程为，分别根据体素间相关性与通道间相关性生成空间注意力矩阵与通道注意力矩阵，对输入特征图进行特征重校正，通过残差连接与输入特征图逐元素求和，使两个模块的输出都是在输入特征图基础上的优化，将两个模块处理后生成的特征图融合作为Bottleneck
‑
Block的最终输出。
[0024]优选的，步骤S4中鉴别器网络包含7个卷积层。
[0025]优选的，步骤S6中损失函数设计如下：
[0026]每一个深度监督层的损失函数表示为L
di
(i＝1，2，3，4)，所有深度监督层的损失函
数表示为：式中，α
i...

【技术保护点】

【技术特征摘要】
1.一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，其特征在于，具体包括以下步骤：S1、分别获取前列腺3D MR与TRUS图像数据集；S2、分别对上述两个数据集进行预处理，数据增强后得到训练数据集；S3、构建分割生成器网络模型，分割生成器网络包括编码器、解码器、跳跃连接和Bottleneck模块；所述编码器用于提取图像的切片内上下文信息和切片间关联信息的三维特征，所述解码器用于融合特征生成最终的分割掩模，所述跳跃连接分别与所述编码器和解码器连接，用于减少编码器的低级语义特征与解码器的高级语义特征融合时的语义差异，为具有最多语义信息的通道赋予更大的权重，所述Bottleneck模块为编码器与解码器的中间连接部分，通过自注意力机制将编码器提取的细节特征和边缘信息传递到解码器，在每个解码器层后添加一个深度监督层，所述深度监督层通过与Ground truth计算得到的损失函数对分割生成器网络进行训练；S4、构建鉴别器网络模型，鉴别器网络用于区分分割生成器网络输出结果和Ground truth，并将鉴别结果用于分割生成器网络的训练；S5、训练数据集随机划分为训练集和验证集两部分，采用训练数据集对分割生成器网络进行训练；S6、将训练集输入分割生成器网络，分割生成器网络输出的分割掩模与Ground truth分别与输入图像拼接后输入鉴别器，计算损失函数并训练网络模型；S7、将验证集输入分割生成器网络，分割生成器网络输出的分割掩模与Ground truth分别与输入图像拼接后输入鉴别器，计算损失函数；S8、建立分割效果的评估指标，通过消融实验和对比实验评估模型效果。2.根据权利要求1所述的一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，其特征在于，步骤S2具体包括以下步骤：S201，对前列腺3D MR图像数据集进行重采样，截取MR图像以前列腺为中心的区域，对截取所得图像的所有像素进行灰度归一化处理；若前列腺3DTRUS图像数据集为同一设备采集后三维重建，则直接截取TRUS图像以前列腺为中心的区域，对截取所得图像的所有像素进行灰度归一化处理；S202，通过数据增强对上述图像数据集进行扩增，得到训练数据集。3.根据权利要求1所述的一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，其特征在于，所述跳跃连接包括残差卷积块RC
‑
Block和通道注意力机制模块C
‑
Block，根据编码器层与解码器层间语义差异的严重程度调整RC
‑
Block中卷积层的数量，通道注意力机制模块C
‑
Block根据每个通道语义信息的丰富程度赋予不同的权重。4.根据权利要求3所述的一种面向前列腺系统穿刺的3D MR与TRUS图像分割方法，其特征在于，所述通道注意力机制模块C
‑

【专利技术属性】
技术研发人员：杨德勇，刘冬，李泳耀，王明昊，杨壮，史玉震，
申请(专利权)人：大连医工机器人科技有限公司，
类型：发明
国别省市：