[发明专利]基于深度神经网络的前列腺增生目标区域自动生成方法

权利要求书

1.一种基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：包括如下步骤：

1)在术前获取良性前列腺增生病人的核磁共振图像，并进行切片和数据预处理；

2)将核磁共振图像的切片输入预先训练好的卷积神经网络，获得切片在水平面的中间带和周边带的生理轮廓分图像；

3)将中间带和周边带的生理轮廓分图像输入前列腺统计学模型，基于精阜判别准则得到精阜所在的切片位置，完成前列腺生理轮廓的三维分割，同时生成前列腺生理结构的三维点云模型；

4)基于前列腺中央带切片建立虚拟人工势场，并对关键方向进行加强保护，得到安全系数在切片上的分布，进而得到合理的目标区域；

5)对包含目标区域轮廓的前列腺切片进行三维重建，最终得到三维的良性前列腺增生手术目标模型；

其中，所述步骤4)中，虚拟人工势场基于目前前列腺切片周边带和中间带的点云轮廓建立，吸引势U_att的公式如下：

式中，为目前前列腺切片重心位置到中间带边缘轮廓的距离，r为计算点到重心位置的距离；

排斥势U_rep的公式如下：

式中，n为计算点感兴趣区域内的前列腺边界点云的总数目，ρ(i)为计算点到边界计算点i的距离；k(i)为所在计算点i的权重系数；k为权重因子；i为当前的边界计算点。

2.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤1)中，在术前获取良性前列腺增生病人的核磁共振图像为T2权重MRI图像，切片为水平面切面，层间距≤4mm；数据预处理包括读入三维图像矩阵、调整分辨率以及图像灰度值归一化处理。

3.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤2)中，所述卷积神经网络为全卷积网络，所述全卷积网络具有收缩部分的左侧和扩展部分的右侧；所述收缩部分为卷积神经网络体系结构，具有卷积层、激活功能单元和下采样池化层；所述扩展部分使用向上卷积来组合来自收缩路径的特征和空间信息。

4.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤2)中，采用的卷积神经网络的最后一层使用softmax函数来保持多重分类的效果；切片图像被馈送到网络，通过路径传播，获得输出的分割图像，其损失函数为多分类的Dice损失函数，如下所示：

式中，X(i)为切片上第i类生理结构的预测的区域轮廓，Y(i)为人工标注的第i类生理结构的真值轮廓，n为结构分类的总数目。

5.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤3)中，精阜位置判别函数P(v)为：

式中，S(v)为切片中的中间带的面积；S(v+k)是下一个切片中的中间带的面积；v为当前切片所在的无量纲位置；k为目前切片和下一切片之间的无量纲距离；D(v)为统计学模型得到的精阜可能性分布函数。

6.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤4)中，总势能U_art的计算公式如下：

U_art＝U_att+U_rep

式中，U_att为吸引势，U_rep为排斥势。

7.根据权利要求1所述的基于深度神经网络的前列腺增生目标区域自动生成方法，其特征在于：所述步骤4)中，对关键方向进行加强保护，加强保护为对权重因子k的调节：

式中，k(θ)为加强保护之后的安全权重系数；函数h(·)为阶跃函数；β为用于调整影响距离的参数，θ为计算点所在的方向；k为初始设置的权重系数。