本發(fā)明屬于圖像處理和醫(yī)學(xué)領(lǐng)域，具體涉及一種在前列腺磁共振圖像中進(jìn)行前列腺分割的方法，此方法利用了集成的深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)完成圖像的分割。

背景技術(shù)：

近年來(lái)，前列腺疾病，如前列腺癌，已經(jīng)成為危害我國(guó)男性健康的主要疾病之一。對(duì)前列腺腺體的有效測(cè)定能夠極大地促進(jìn)對(duì)前列腺疾病的評(píng)估，有效地預(yù)測(cè)前列腺疾病的病理階段以及治療響應(yīng)。然而，由于前列腺組織所具有的：個(gè)體差異性較大，與鄰近組織相似度較高等困難，使得前列腺圖像的自動(dòng)分割始終存在較大挑戰(zhàn)。與此同時(shí)，深度學(xué)習(xí)的迅猛發(fā)展使其被廣泛地應(yīng)用于計(jì)算機(jī)視覺(jué)等一系列問(wèn)題上。其中，深度學(xué)習(xí)的典型代表：深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Networks，DCNN)也被逐漸地應(yīng)用于醫(yī)學(xué)圖像處理領(lǐng)域之中。如Dvorak等人利用DCNN模型在處理特征間關(guān)系的優(yōu)越能力來(lái)學(xué)習(xí)預(yù)測(cè)腦腫瘤的結(jié)構(gòu)，從而對(duì)磁共振圖片中的腦腫瘤組織進(jìn)行有效的分割。

技術(shù)實(shí)現(xiàn)要素：

要解決的技術(shù)問(wèn)題

為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種

技術(shù)方案

一種基于集成深度卷積神經(jīng)網(wǎng)絡(luò)的前列腺磁共振圖像分割方法，其特征在于步驟如下：

步驟1：對(duì)無(wú)直腸線圈圖像和直腸線圈圖像兩類圖像進(jìn)行預(yù)處理：

對(duì)無(wú)直腸線圈圖像按照公式1進(jìn)行歸一化：

其中I_x和I′_x分別為位歸一化前后像素x的像素值，I_max和I_min分別代表圖像中的最大最小像素值，τ是根據(jù)圖像的灰度值變化情況確定的閾值；

對(duì)直腸線圈圖像先進(jìn)行泊松融合，然后再利用公式1對(duì)其進(jìn)行歸一化；

步驟2：利用圖譜庫(kù)中的全部圖譜對(duì)歸一化后的目標(biāo)圖像P進(jìn)行基于特征匹配與顯著性加權(quán)的非剛性配準(zhǔn)處理，得到與圖譜中每個(gè)真實(shí)圖像A_i相對(duì)應(yīng)的坐標(biāo)變換T_i，再分別將真實(shí)圖像A_i對(duì)應(yīng)的二值標(biāo)注圖像L_i按照T_i進(jìn)行坐標(biāo)變換，得到一系列的形變的二值分割圖像L_i⊙T_i；使用多數(shù)投票的方法對(duì)所有的二值分割圖像L_i⊙T_i進(jìn)行閾值處理，從而獲得最終的粗分割結(jié)果：

其中A^(s)為最終的粗分割結(jié)果，為各個(gè)圖譜對(duì)于帶分割圖像的配準(zhǔn)得到的分割結(jié)果；

步驟3：在前列腺邊界兩側(cè)的給定區(qū)域內(nèi)，給定區(qū)域的半徑取圖像塊邊長(zhǎng)大小，提取大量的n×n大小的圖像塊，根據(jù)中心像素是否為前列腺像素將這些圖像塊標(biāo)注為前列腺與非前列腺兩類圖像塊一起作為輸入數(shù)據(jù)輸入到多個(gè)DCNN中，訓(xùn)練得到多個(gè)具有分類兩類圖像塊的網(wǎng)絡(luò)模型；所述的DCNN包括3組卷積、池化、激活層以及兩層全連接層和一層softmax-loss層；

步驟4：利用所有的DCNN對(duì)待檢測(cè)區(qū)域B(V)內(nèi)的所有像素點(diǎn)V進(jìn)行分割，V∈B(V)，并對(duì)分割結(jié)果進(jìn)行集成判別：

其中m_k是第K個(gè)DCNN模型，p(x＝y(tǒng)_i|m_j)是在第m_j個(gè)DCNN網(wǎng)絡(luò)模型中輸入圖像塊x被分為類別y_i的概率；

步驟5：使用MATLAB的二值圖像處理函數(shù)對(duì)步驟4的分割結(jié)果進(jìn)行處理，去除了空洞和毛刺；再檢測(cè)出邊界曲線中異常值存在的區(qū)域，利用B樣條曲線來(lái)擬合邊界曲線，得到最終的分割結(jié)果。

步驟3中的n為24。

有益效果

現(xiàn)有的前列腺分割方法普遍是由有經(jīng)驗(yàn)的醫(yī)師手工標(biāo)注分割的，這種方法費(fèi)時(shí)費(fèi)力，很難快速地獲取大量的分割結(jié)果?，F(xiàn)有的很多分割方法受制于前文提到的種種困難，分割效果往往并不盡如人意。本方面所提出的基于集成深度卷積神經(jīng)網(wǎng)絡(luò)的前列腺磁共振圖像分割方法，綜合了基于圖譜配準(zhǔn)的粗略分割和基于深度卷積神經(jīng)網(wǎng)絡(luò)的精細(xì)分割，并引入了集成學(xué)習(xí)分別對(duì)兩類前列腺磁共振圖像進(jìn)行分割，從而得到了較為理想的分割結(jié)果。

附圖說(shuō)明

圖1非剛性配準(zhǔn)流程

圖2 CNN的網(wǎng)絡(luò)結(jié)構(gòu)

具體實(shí)施方式

為了有效準(zhǔn)確地對(duì)磁共振圖像中的前列腺組織進(jìn)行分割，我們提出了一種由粗到細(xì)的兩步分割框架來(lái)解決前列腺磁共振圖像分割問(wèn)題。其中粗略分割部分基于配準(zhǔn)的方法來(lái)實(shí)現(xiàn)，首先我們先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理歸一化并依據(jù)有無(wú)直腸線圈將圖像分為兩類；然后進(jìn)行基于特征匹配和相關(guān)顯著性加權(quán)的非剛性配準(zhǔn)；最后根據(jù)配準(zhǔn)結(jié)果以及多數(shù)投票的算法進(jìn)行二值標(biāo)注圖像融合從而獲得初步的前列腺粗略分割結(jié)果。精細(xì)分割部分，事先我們?cè)谟?xùn)練樣例的真是邊界兩側(cè)一定范圍內(nèi)采樣提取大量的二維圖像塊，利用得到的大量圖像塊來(lái)訓(xùn)練多個(gè)兩種類別的DCNN像素分類器模型，使其具有區(qū)分前列腺圖像塊以及非前列腺圖像塊的能力。在分割過(guò)程中，我們首先從粗略分割得到的待定邊界擴(kuò)展一個(gè)待測(cè)區(qū)域，并以區(qū)域內(nèi)部每個(gè)像素點(diǎn)內(nèi)中心提取與訓(xùn)練模型輸入大小相匹配的圖像塊；然后將其輸入到對(duì)應(yīng)的多個(gè)DCNN模型中得到多個(gè)預(yù)測(cè)結(jié)果，并利用集成學(xué)習(xí)策略得到待測(cè)區(qū)域中每一像素的最終預(yù)測(cè)結(jié)果。最后對(duì)預(yù)測(cè)得到的前列腺圖像進(jìn)行后期處理以去除毛刺和異常點(diǎn)，從而得到最終的分類結(jié)果。

現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述：

具體步驟如下：

1.粗略分割

首先對(duì)兩類圖像進(jìn)行預(yù)處理，其中無(wú)直腸線圈的圖像按照公式(1)進(jìn)行歸一化，其中I_x和I′_x分別為位歸一化前后像素x的像素值，I_max和I_min分別代表圖像中的最大最小像素值，τ是根據(jù)圖像的灰度值變化情況確定的閾值。對(duì)于直腸線圈圖像，我們先對(duì)其進(jìn)行泊松融合，使得直腸線圈周圍異常偏高的像素灰度值與背景相適應(yīng)，增強(qiáng)圖像的區(qū)分度。然后再利用公式(1)對(duì)其進(jìn)行歸一化。

接下來(lái)，利用圖譜庫(kù)中的全部圖譜對(duì)歸一化后的目標(biāo)圖像P進(jìn)行基于特征匹配與顯著性加權(quán)的非剛性配準(zhǔn)處理。這里先引入一個(gè)圖譜這個(gè)概念，圖譜即包含了大量真實(shí)圖像A_i以及與其相對(duì)應(yīng)的二值標(biāo)注圖像L_i。本發(fā)明中的A_i即為大量前列腺磁共振圖像，L_i為每個(gè)A_i對(duì)應(yīng)的由醫(yī)生手工標(biāo)注的分割結(jié)果。

在針對(duì)目標(biāo)圖像P得到一系列配準(zhǔn)結(jié)果后，得到與圖譜中每個(gè)真實(shí)圖像A_i相對(duì)應(yīng)的坐標(biāo)變換T_i。再分別將對(duì)應(yīng)的二值標(biāo)注圖像L_i按照T_i進(jìn)行坐標(biāo)變換，最后可以得到一系列的形變的二值分割圖像L_i⊙T_i。

為了獲得粗略的分割結(jié)果，這里我們使用經(jīng)典的多數(shù)投票的方法對(duì)所有的二值分割圖像L_i⊙T_i進(jìn)行閾值處理，從而獲得最終的粗分割結(jié)果，如公式2所示，其中A^(S)為最終的粗分割結(jié)果，為各個(gè)圖譜對(duì)于帶分割圖像的配準(zhǔn)得到的分割結(jié)果。

2.精準(zhǔn)分割

這里我們訓(xùn)練DCNN作為像素分類器對(duì)前一步粗分割部分得到的待分割區(qū)域內(nèi)的所有像素點(diǎn)進(jìn)行分割，判斷其是否為前列腺像素。如公式3所示，任意像素點(diǎn)V是否在帶分割區(qū)域B(V)中由V的粗分割最終結(jié)身的大小確定。

在DCNN的訓(xùn)練過(guò)程中，我們首先在訓(xùn)練樣例中，在前列腺邊界兩側(cè)的給定區(qū)域內(nèi)，提取大量的24×24大小的圖像塊，這里給定區(qū)域的半徑取圖像塊邊長(zhǎng)大小，根據(jù)中心像素是否為前列腺像素將這些圖像塊標(biāo)注為前列腺與非前列腺兩類圖像塊一起作為輸入數(shù)據(jù)輸入到DCNN中，訓(xùn)練得到具有分類兩類圖像塊的網(wǎng)絡(luò)模型。這里DCNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其中包括3組卷積+池化+激活層以及兩層全連接層和一層softmax-loss層。其中卷積層的核大小為5×5，滑動(dòng)步長(zhǎng)為1，并采用補(bǔ)0的方式使得卷積得到的特征尺寸保持不變。池化層采用最大池化的方式，滑動(dòng)窗的大小為2×2，步長(zhǎng)為2。激活函數(shù)統(tǒng)一使用修正線性單元激活函數(shù)(ReLU)，作用效果如公式4所示。

f(x)＝max(0，x) (4)

Softmaxloss層作用是將全連接層輸出的線性預(yù)測(cè)值轉(zhuǎn)化為與輸出類別對(duì)應(yīng)的后驗(yàn)概率。其中，與此同時(shí)，我們?cè)诰W(wǎng)絡(luò)中還引入了Dropout層用以提高網(wǎng)絡(luò)的分類性能。

本發(fā)明在訓(xùn)練DCNN預(yù)測(cè)前列腺像素的時(shí)，還進(jìn)一步引入了集成學(xué)習(xí)來(lái)提高像素的預(yù)測(cè)正確率。具體來(lái)說(shuō)，我們利用測(cè)試數(shù)據(jù)集訓(xùn)練多個(gè)獨(dú)立的DCNN模型，在對(duì)待預(yù)測(cè)區(qū)域內(nèi)的像素進(jìn)行預(yù)測(cè)時(shí)，利用所有的DCNN對(duì)圖像塊進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行集成判別，具體實(shí)現(xiàn)如公式5所示。

其中m_k是第K個(gè)DCNN模型，p(x＝y(tǒng)_i|m_j)是在第m_j個(gè)DCNN網(wǎng)絡(luò)模型中輸入圖像塊x被分為類別y_i的概率。

最后，我們對(duì)集成學(xué)習(xí)得到的分割結(jié)果進(jìn)行后處理。由于我們訓(xùn)練的DCNN是作為像素分類器來(lái)對(duì)像素進(jìn)行分類，因此一些分類誤差是在所難免的，這些分類誤差有可能造成最終的分割結(jié)果存在異常值，如毛刺和不規(guī)則凹凸部分。這里我們先使用MATLAB的二值圖像處理函數(shù)對(duì)分割結(jié)果圖像進(jìn)行處理，去除了空洞和毛刺。再檢測(cè)出邊界曲線中異常值存在的區(qū)域，利用B樣條曲線來(lái)擬合邊界曲線，得到最終的分割結(jié)果。