[发明专利]一种基于三维全卷积神经网络的前列腺MRI分割方法

摘要

本发明公开了一种基于三维全卷积神经网络的前列腺MRI分割方法。本发明利用一种三维全卷积神经网络学习前列腺MRI图像的特征，并对MRI图像进行逐体素的分类，最终获得MRI图像的分割图像。网络中使用到的三维卷积核能够有效地学习到三维图像的空间结构特征，并且全卷积结构的深度网络只需要一次前馈计算就能够得到最终的结果，相比于提取Patch后针对Patch单独运行卷积网络的结构，在速度上要大大提升，而且单个神经元的感受野更大更有利于对全局信息的特征学习，能够更好地进行分割任务。

主权项

一种基于三维全卷积神经网络的前列腺MRI分割方法，包括两个阶段：训练阶段和预测阶段；训练阶段是把带有标签的前列腺MRI图像输入到三维全卷积神经网络，经过迭代训练，最终收敛得到训练模型；预测阶段是把训练好的模型用于预测MRI图像，分割得到前列腺所在区域；其特征在于：训练阶段具体的步骤如下：1)构建训练数据，针对每一个前列腺MRI训练样本，其对应的标签为一个相同尺寸的三维图像；该标签图像中的体素分为2类，在对应MRI样本中，对应的属于前列腺体素为类别1，而非前列腺体素属于类别0；2)输入训练样本，对样本统一进行归一化处理，然后输入到全卷积神经网络进行训练；3)在第一个残差结构中，使用2个卷积层串行地与输入的张量进行卷积，每个卷积层有16个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；4)串联一个卷积层与上一步骤输出的张量进行卷积；该卷积层有32个的卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；该步骤输出的张量，通道数为32，尺寸是原图像的1/2；5)在第二个残差结构中，使用4个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有32个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；6)串联一个卷积层与上一步骤输出的张量进行卷积；该卷积层有64个的卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；该步骤输出的张量，通道数为64，尺寸是原图像的1/2；7)在第三个残差结构中，使用6个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有64个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；8)串联一个卷积层与上一步骤输出的张量进行卷积；该卷积层有128个卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；该步骤输出的张量，通道数为128，尺寸是上一步骤的输出张量的1/2；9)在第四个残差结构中，使用6个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有128个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；10)串联一个卷积层与上一步骤输出的张量进行卷积；该卷积层有256个卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；该步骤输出的张量，通道数为256，尺寸是上一步骤的输出张量的1/2；11)在第五个残差结构中，使用6个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有256个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；12)串联一个反卷积层与上一步骤输出的张量进行反卷积；该反卷积层有128个反卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；得到的张量，通道数为128，尺寸是上一步骤的输出张量的2倍；然后与步骤9)输出的张量进行堆叠，得到通道数为256的张量；13)第六个残差结构，使用6个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有256个尺寸为卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；14)串联一个反卷积层与上一步骤输出的张量进行反卷积；该反卷积层有64个反卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；得到的张量，通道数为64，尺寸是上一步骤的输出张量的2倍；然后与步骤7)输出的张量进行堆叠，得到通道数为128的张量；15)第七个残差结构，使用6个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有128个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；16)串联一个反卷积层与上一步骤输出的张量进行反卷积；该反卷积层有32个反卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；得到的张量，通道数为32，尺寸是上一步骤的输出张量的2倍；然后与步骤5)输出的张量进行堆叠，得到通道数为64的张量；17)第八个残差结构，使用4个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有64个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；18)串联一个反卷积层与上一步骤输出的张量进行反卷积；该反卷积层有16个反卷积核，填充为0，步长为2，卷积核长宽尺寸为2×2，高度与输入张量相等；得到的张量，通道数为16，尺寸是上一步骤的输出张量的2倍；然后与步骤3)输出的张量进行堆叠，得到通道数为32的张量；19)第九个残差结构，使用2个卷积层串行地与上一步骤输出的张量进行卷积，每个卷积层有32个卷积核，填充为1，步长为1，卷积核长宽尺寸为3×3，高度与输入张量相等；20)串联一个1个卷积层与上一步骤输出的张量进行卷积；该卷积层有2个卷积核，填充为0，步长为1，卷积核长宽尺寸为2×2，高度与输入张量相等；得到的张量，通道数为2，尺寸维持不变；21)串联一个softmax分类器对上一步骤输出的张量进行预测分类，输出的是分割好的，与原始输入的MRI图像尺寸相同的张量；22)串联一个Dice Loss层，接收上一步骤输出的张量以及该张量对应的标签数据，计算Loss并反向传播梯度更新网络参数；以上步骤是一个完整的训练阶段，预测阶段则是去除步骤22)就可以得到。