[发明专利]基于3DHOG辅助卷积神经网络的前列腺图像分割方法

权利要求书

1.一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，其特征在于，所述方法包括以下步骤：

S1、获取并分析前列腺MRI图像信息，对3D前列腺MRI图像进行预处理；

S2、将预处理后的3D前列腺MRI图像的2D HOG特征扩展为3D HOG特征，并进行特征提取；

S3、将3D前列腺MRI图像输入卷积神经网络获取深度特征图；

S4、将步骤S2获得的3D HOG特征和步骤S3获得的深度特征图进行融合，通过训练得到最终分割模型；

S5、通过最终分割模型对测试图像进行处理，获取前列腺MRI分割概率图。

2.根据权利要求1所述的一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，其特征在于，所述步骤S1具体包括：

S11、获取一组前列腺MRI图像数据集，并划分为训练集和测试集，所述训练集各个图像的不同区域设有相应标签；

S12、对训练集图像和对应的标签数据进行切块处理，用于3D HOG特征提取；

S13、对训练集图像和对应的标签数据进行翻转处理。

3.根据权利要求1所述的一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，其特征在于，所述步骤S2具体包括：

S21、对预处理后的3D前列腺MRI图像使用1D[-1,0,1]滤波进行卷积操作，通过式(1)计算图像中的梯度，

其中G(x,y,z)表示图像在坐标位置(x,y,z)处的像素值；

S22、通过式(2)将每个梯度转换为3D球坐标，并根据其方向将其转换为二进制，

其中r表示3D球半径，方位角θ∈[0,2π)，

S23、构造直方图网格，将单位中的每个像素分级以获得梯度直方图；

S24、将直方图单元格本身组织成重叠的矩形块，并连接一个矩形块中所有单元格的直方图值以形成矢量；

S25、将每个矩形块的向量归一化，进行级联以产生最终的3D HOG特征向量。

4.根据权利要求1所述的一种基于3DHOG辅助卷积神经网络的前列腺图像分割方法，其特征在于，所述步骤S3具体包括：

S31、将3D前列腺MRI图像输入神经网络第一层做卷积操作2次，在每个卷积层后进行BN操作和ReLU操作；

S32、将步骤S31得到的特征图输入到最大池化层做下采样操作；

S33、将步骤S32得到的特征图重复3次步骤S31和2次步骤S32获得新的特征图；

S34、将步骤S33得到的特征图做卷积操作，卷积层后进行BN操作和ReLU操作；

S35、将步骤S34得到的特征图输入到最大池化层做上采样操作，获得的特征图记为A；

S36、将步骤S31获得的特征图输入最大池化层做2次下采样操作和卷积操作，卷积层后进行BN操作和ReLU操作，获得的特征图记为B；

S37、将步骤S33中第1次重复步骤S31获得的特征图输入最大池化层做1次下采样操作和卷积操作，卷积层后进行BN操作和ReLU操作，获得的特征图记为C；

S38、将步骤S33中第2次重复步骤3-1获得的特征图做卷积操作，卷积层后进行BN操作和ReLU操作，获得的特征图记为D；

S39、将特征图A、B、C、D进行特征融合操作，并做卷积操作，卷积层后进行BN操作和ReLU操作。