【技术实现步骤摘要】
本专利技术涉及一种基于多尺度上下文建模的前列腺mri分割方法，属于医学图像处理。
技术介绍
1、前列腺癌是世界上第二大男性癌症，也是造成成年男性癌症死亡的主要原因。早期前列腺病灶在影像学上难以被发现，而到晚期才被确诊者占前列腺癌患者的一半以上。常见前列腺癌治疗方法是外照射放射治疗(external beam radiation therapy，ebrt)，为了实现精准的放射治疗，最大程度地减少辐射剂对前列腺周围健康组织的损害，在核磁共振成像(magnetic resonance imaging，mri)中精确的分割前列腺是治疗前列腺癌过程中至关重要的一个步骤。
2、由于mri影像中的前列腺与其他周围组织器官的边界不明显，手动对前列腺勾画十分消耗时间，并且会因操作者的不同导致分割结果存在差异。近年来，随着人工智能(artificial intelligence，ai)以及基于ai的深度学习图像处理的技术逐渐发展，深度学习算法已广泛用于医学影像辅助诊断系统研发与应用中。u-net模型的出现彻底改变了医学图像的分割领域，该模型使用编码器-解码器卷积神经网络(convolutional neuralnetworks，cnn)架构，该架构在编码器和解码器之间具有多尺度跳过连接，可以最大程度保留高分辨率图像信息。在u-net的基础上，提出了许多后续的分割模型。其中nnu-net将使用instance normalization取代u-net中的batch normalization，并使用leaky relu取代relu。与u-
技术实现思路
1、本专利技术的目的是：提高前列腺mri分割的准确性。
2、为了达到上述目的，本专利技术的技术方案是提供了一种基于多尺度上下文建模的前列腺mri分割方法，其特征在于，包括以下步骤：
3、第一步、获取包含前列腺器官范围标注的mri图像数据，构建mri影像数据集；
4、第二步、对mri影像数据集中的所有mri图像数据进行预处理后，基于mri影像数据集构建训练数据集以及测试数据集；
5、第三步、基于深度学习网络构建前列腺mri分割模型，利用训练数据集对前列腺mri分割模型进行训练，其中，在所述前列腺mri分割模型中：
6、输入的mri图像数据通过一个leaky relu层进行非线性变换，leaky relu层的输出被输入n层特征编码器，其中，第一层特征编码器的输入为leaky relu层的输出，第n层特征编码器的输入为第n-1层特征编码器的输入，1<n≤n，同时，将每层特征编码器提取的编码特征图作为当前层的跳跃链接保存，第一层跳跃链接至第n-1层跳跃链接分别被送入n-1层特征融合模块，且第一层跳跃链接至第n-1层跳跃链接两两之间分别增加n-2层上下文建模模块；除第n-1层特征融合模块外，第n层特征融合模块将第n+1层上下文建模模块的输出与第n层跳跃链接进行特征融合和通道压缩，而第n-1层特征融合模块将经过上采样后的第n层编码结果与第n-1层跳跃链接进行特征融合和通道压缩，其中，第n层编码结果为将第n层跳跃链接与特征存储模块中存储的多个数据集级特征进行特征融合，这些数据集级特征与当前第n层跳跃链接具有最高相似度；每一层上下文建模模块具有两个输入，其中一个输入为当前层特征融合模块的输出经过上采样后的结果，另外一个输入为当前层跳跃链接经过类别概率分布计算后的结果；每一层特征融合模块的输出经过一个分割头之后获得当前层的分割结果，第一层的分割结果为最终所述前列腺mri分割模型输出的分割结果；
7、第四步、利用测试数据集完成对训练后的前列腺mri分割模型的评估以及优化后，部署前列腺mri分割模型；
8、第五步、将实时获得的mri图像数据输入前列腺mri分割模型，由前列腺mri分割模型进行实时推理，获得最终的分割结果。
9、优选地，第二步中，对所述mri图像数据进行预处理包括以下步骤：
10、步骤201、将所述mri图像数据的非零区域进行裁剪；
11、步骤202、选取整体mri影像数据集的中值体素间距，在当前mri影像数据集中将各mri图像数据插值为各向同性体素间距；
12、步骤203、使用z-score对各mri图像数据进行归一化处理。
13、优选地，所述特征编码器对输入数据的编码过程包含一次卷积操作和一次最大池化操作。
14、优选地，在所述前列腺mri分割模型训练时，对所述特征存储模块进行更新，包括以下步骤：
15、初始化所述特征存储模块；
16、获得所述特征存储模块与当前所述第n层跳跃链接具有最高相似度的多个数据集级特征；
17、将上一步获得的多个数据集级特征与当前所述第n层跳跃链接进行特征融合后获得新的数据集级特征；
18、将上一步获得的新的数据集级特征压入所述特征存储模块的同时，将所述特征存储模块中存储的最底部的数据集级特征弹出，完成一次对所述特征存储模块的更新。
19、优选地，将每一层上下文建模模块的两个输入分别定义为特征fsf和特征fseg，其中，特征fseg为当前层跳跃链接经过插值计算后的结果，特征fsf为当前层特征融合模块的输出经过上采样后的结果，则每一层上下文建模模块基于特征fsf和特征fseg采用以下步骤获得输出rsf：
20、步骤301、使用自注意力机制计算特征fsf和特征fseg之间的相似性wsf：
21、
22、式中，c为通道数，表示矩阵乘法；
23本文档来自技高网...
【技术保护点】
1.一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，第二步中，对所述MRI图像数据进行预处理包括以下步骤：
3.如权利要求1所述的一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，所述特征编码器对输入数据的编码过程包含一次卷积操作和一次最大池化操作。
4.如权利要求1所述的一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，在所述前列腺MRI分割模型训练时，对所述特征存储模块进行更新，包括以下步骤：
5.如权利要求1所述的一种基于多尺度上下文建模的前列腺MRI分割方法，其特征在于，将每一层上下文建模模块的两个输入分别定义为特征fsf和特征fseg，其中，特征fseg为当前层跳跃链接经过插值计算后的结果，特征fsf为当前层特征融合模块的输出经过上采样后的结果，则每一层上下文建模模块基于特征fsf和特征fseg采用以下步骤获得输出Rsf：
6.如权利要求1所述的一种基于多尺度上下文建模的前列腺MRI
...【技术特征摘要】
1.一种基于多尺度上下文建模的前列腺mri分割方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多尺度上下文建模的前列腺mri分割方法，其特征在于，第二步中，对所述mri图像数据进行预处理包括以下步骤：
3.如权利要求1所述的一种基于多尺度上下文建模的前列腺mri分割方法，其特征在于，所述特征编码器对输入数据的编码过程包含一次卷积操作和一次最大池化操作。
4.如权利要求1所述的一种基于多尺度上下文建模的前列腺mri分割方法，其特征在于，在所述前列腺mri分割模型训练时，对所述特征存储模块进行更新...
【专利技术属性】
技术研发人员：李海庆，朱静逸，国敏，李郁欣，尹波，杨丽琴，耿道颖，高悦，吴宇航，杨柳，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。