[发明专利]基于中央凹残差网络的前列腺多模MR图像分类方法和系统

说明书

本发明公开了一种基于中央凹残差网络的前列腺多模MR图像分类方法和系统，其中方法包括：采用中央凹算子中的模糊核替换残差网络的卷积核，由此构建中央凹残差网络；利用带类别标签的前列腺多模MR图像训练中央凹残差网络，得到训练好的中央凹残差网络；利用中央凹残差网络对待分类的前列腺多模MR图像进行分类，得到分类结果。本发明基于人眼视觉特性，设计中央凹算子，提取该算子的模糊核，利用其替代残差网络中的卷积核，由此构建中央凹深度学习网络，可以提取符合人眼视觉特性的特征，由此提升前列腺多模态MR图像的分类精度。

技术领域

本发明属于图像分类领域，更具体地，涉及一种基于中央凹残差网络的前列腺多模MR图像分类方法和系统。

背景技术

前列腺癌是男性生殖系统中最常见的恶性肿瘤，2018年美国癌症协会的报告指出，男性新发病例中前列腺癌位于第1位，死亡病例位于第2位。近年来，随着我国人们生活水平显著提高和人口年龄结构变化，前列腺癌在我国的发病率和死亡率呈明显上升趋势。

MRI能反映组织及其内脏器官机能的变化和生物化学的代谢反应，具有软组织高分辨率成像等优点，在前列腺癌的早期诊断中具有重要应用价值。近年来，越来越多的新型MR成像技术不断涌现，比如在MRI基础序列发展的灌注加权成像(Perfusion WeightedImaging，PWI)、扩散加权成像(Diffusion Weighted Imaging，DWI)和扩散张量成像(Diffusion Tensor Imaging，DTI)等。现有MRI成像技术中，T2W成像可显示前列腺解剖学结构，因此可实现对病变可疑点的检测，但出血、炎症和钙化等异常情况也会导致T2W的外周带出现低信号，与前列腺癌表现相似，这会影响基于T2W的前列腺癌诊断效果。PWI可精确定位病灶，敏感度较高，还能清晰地显示前列腺癌细胞对包膜和精囊腺的侵犯程度，其常用序列中T1加权动态增强(Dynamic Contrast Enhancement，DCE)有较好的对比剂敏感度、较高的信噪比、足够的解剖覆盖范围以及较快的时间分辨率，但它需注射外源对比剂，对患者身体会带来创伤和耐受需求。DWI的表观扩散系数(Apparent Diffusion Coefficient，ADC)能反映肿瘤的生长和侵入程度，不过仍需控制作为定量参数的ADC的阈值，避免过度诊疗。因上述各种MRI技术在前列腺癌诊断方面各有利弊，临床中通常将多种模态的MR成像技术结合使用，以避免漏诊和误诊，实现前列腺癌的精确诊断。

目前，多模态MR图像分类的重要手段是计算机辅助诊断(Computer-AidedDiagnosis，CAD)技术，这类技术主要包括两类。第一类是利用手工设计的特征提取等传统方法，实现图像分类。Chan等人首次采用多参数CAD系统对前列腺癌进行诊断，使用线扫描扩散将T2图像和T2W图像与支撑向量机相结合，以此来判断前列腺周围区的目标区域是否存在前列腺癌。Langer等将动态对比增强图像和药代动力学参数图作为前列腺外周区癌症的CAD系统的额外特征，通过非线性监督分类算法进行诊断，在预定义的感兴趣区域内的每个体素基础上评估CAD系统。Niaf等人将医生手工勾画出来的疑似前列腺癌病变区域，在T2W、DWI和DCE模态图像上提取特征并分类诊断，证实了从正常区域鉴别前列腺癌和从可疑良性区域鉴别前列腺癌的结果，但是该结果被限制为仅在外围区域中预定义的感兴趣区域中适用。总的来说，这些基于低阶信息或手工特征的前列腺癌识别方法由于没有对图像内在的高维信息进行有效的挖掘，在鲁棒性和泛化能力方面存在一定欠缺。