[发明专利]一种基于深度学习的前列腺MR图像半监督分割方法

说明书

本发明公开了一种基于深度学习的前列腺MR图像半监督分割方法，该方法包括：采用Attention Unet和残差网络两个网络模型的组合，由此构建执行者‑评判者网络PAJ_net；在带少量金标准的前列腺MR图像数据集中，引入一组自制的新标签，辅助PAJ_net在训练过程中准确地区分是否存在金标准；利用带少量金标准和新标签的前列腺MR图像训练PAJ_net，用于完成前列腺MR图像移行区TZ和外周区PZ两个区域的分割任务。本发明采用分步训练的策略，使用残差网络监督Attention Unet的训练过程，进而有效地利用不带金标签的前列腺MR图像信息，得到泛化性更好的网络模型，并尝试在PAJ_net训练过程中的损失函数加入Mumford_Shah能量函数进行约束，为前列腺MR图像多区域实时分割提供了一种更有效的半监督方法。

技术领域

本发明属于医学图像处理中的图像分割技术领域，更具体地，涉及一种基于深度学习的前列腺MR图像半监督分割方法。

背景技术

受年龄、炎症、遗传、生活习惯和饮食等各种因素影响，前列腺癌成为全球中老年男性发病率最高的癌症之一，同时每年前列腺癌的死亡人数也居高不下。近年来，随着人民生活水平的显著提高，生活方式上发生翻天覆地的变化，前列腺癌的新发病人数和死亡人数也在逐年增多。穿刺活检是确诊前列腺癌的金标准，而MR和超声融合引导下穿刺活检在临床中得到了广泛关注。该技术通过结合MR定位的精确性和超声成像的实时性，实现靶向穿刺活检，可有效提高前列腺癌的检出率。

前列腺MR图像自动分割对实现靶向穿刺活检具有重要作用，但是目前一些经典分割算法，例如：基于阈值的图像分割方法，基于活动轮廓模型的图像分割方法和基于聚类的图像分割算法等已经无法满足临床穿刺过程中实时性、精确性以及全自动性等全方位的技术要求。为此，近年来不同学者将深度学习方法用于前列腺MR图像分割中。范嵩等通过将一种新的金字塔场景解析网络模型(The Pyramid Scene Parsing network,PSP-NET)应用到二维前列腺核磁图像分割中，大大提高了前列腺核磁图像分割的准确性。Liu等人针对前列腺核磁图像中PZ和TZ两个区域的分割任务，设计了基于全新全卷积网络的分割方法。该方法首先通过改进的ResNet50提取原始图像语义信息，再使用特征金字塔注意网络捕获多尺度特征信息，最后由解码网络恢复空间信息。在随后的研究中，Liu等人又对网络进一步优化，不仅加入了空间注意力模块，同时将单一特征金字塔注意网络替换为多个特征金字塔注意网络，进一步提升PZ和TZ两个区域的分割效果。Qian等提出了一种新的由编码器和解码器组成的分割网络模型—ProSegNet。该模型在编码器部分使用密集块作为特征提取单元，同时在解码器部分引入了空间注意力和通道注意力机制，并在Promise12和ProstateX两个数据集上表现出了优异的分割性能。Chen等人使用稠密Unet进行级联，并采用分步训练的方式，通过粗分割、分割结果细化以及尺度归一化分割的有机结合，提升了对前列腺腺体的分割效果，证实了级联操作的有效性。

总体来看，现有基于深度学习的前列腺MR分割方法主要都是致力于不断优化网络，提升分割的精度，但在训练过程中都需要使用大量的医学图像数据和对应的金标准。众所周知，获取大量医学图像数据是非常困难的，而且其对应的金标准更是需要经验丰富的影像科医生手动标注，耗时费力。因此，减少模型在训练过程中对标签的依赖，对提升基于深度学习的前列腺MR图像分割方法的性能具有重要意义。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种基于深度学习的前列腺MR图像半监督分割方法，旨在降低基于深度学习的前列腺MR图像分割网络模型对高质量金标准图像的依赖，在小样本数据情况下实现前列腺MR图像的精确分割。

为实现上述目的，第一方面，本发明提供了一种基于深度学习的前列腺MR图像半监督分割方法，包括以下步骤：

S1，获取原始前列腺MR图像集以及所述图像集中部分图像对应的金标准；