技術(shù)特征：

1.一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)無直腸線圈圖像按照公式1進(jìn)行歸一化：

$I_x^{\′}=\left\{\begin{array}{c}255*\frac{(I_x-I_{min})}{(I_{\max }-I_{\min })},I_x\≤\mathrm{\τ}\\ 255,I_x\≥\mathrm{\τ}\end{array}\right.---\left(1\right)$

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：

$A^{\left(S\right)}=\frac{1}{N}{\mathrm{\Σ}}_{i=1}^N{A}_i^{\left(S\right)}---\left(2\right)$

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)待分割區(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：

$p(x=y_i|m_1,...,m_k)=\frac{1}{k}{\mathrm{\Σ}}_{j=1}^{k}p(x=y_i|m_j)---\left(5\right)$

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樣條曲線來擬合邊界曲線，得到最終的分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的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3中的n為24。