[发明专利]一种基于Mask R-CNN的前列腺超声图像分割方法及设备

说明书

本发明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。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于Mask R-CNN的前列腺超声图像分割方法及设备。

背景技术

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。

发明内容

本发明实施例提供了一种基于Mask R-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，本发明提供的一种基于Mask R-CNN前列腺超声图像分割方法具体方案为：

一种基于Mask R-CNN前列腺超声图像分割方法，包括以下步骤：

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。

优选地，所述建立Mask R-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Mask R-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Mask R-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Mask R-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Mask R-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。