[發明專利]一種基于注意力機制的3D卷積神經網絡的前列腺MR圖像分割方法

有效

• 申請號: 202010030052.9
• 申請日: 2020-01-13
• 公開（公告）號: CN111275714B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 杜博;蘇成偉;朱其奎
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于注意力機制的3D卷積神經網絡的前列腺MR圖像分割方法，包括數據預處理階段、網絡訓練階段和網絡推理階段。數據預處理階段包括前列腺MR圖像格式統一、像素值范圍裁剪、圖像重采樣。網絡訓練階段包括基于注意力機制的卷積神經網絡設計、過采樣策略平衡正負樣本比例和網絡訓練。網絡推理階段包括滑動窗口取樣前列腺MR子圖像、網絡預測子圖像分割圖和加權融合子圖像分割圖。

技術領域

本發明屬于醫學圖像處理技術領域，尤其涉及一種基于注意力機制的3D卷積神經網絡的前列腺MR圖像分割方法。

背景技術

前列腺疾病(比如前列腺癌、前列腺炎，前列腺肥大等)在男性中非常常見，通常這需要根據病人的前列腺MR圖像來判斷。因此，精確地從前列腺MR圖像中分割出前列腺是下一步的臨床診斷和治療的關鍵。在臨床實踐中，由醫生手動地分割是非常耗時且代價昂貴的，同時伴隨著醫生的主觀性和有限的可復現性。從這個角度看，臨床上是非常需要高精度的全自動前列腺MR圖像分割算法的。

前列腺MR圖像分割實際上是一個二分類任務，其目的是將前列腺MR圖像中的前列腺區域分割出來，可用于識別感興趣區域、研究解剖結構、測量組織體積、觀察腫瘤生長或治療中腫瘤體積的減少、為治療前的計劃和治療中提供幫助、計算輻射劑量等。如何快速精確地分割出前列腺區域是前列腺MR圖像分割的難點問題。

針對前列腺MR圖像分割問題，國內外學者提出了很多方法。傳統的前列腺MR圖像分割方法主要分為基于邊緣的分割方法、基于閾值的分割方法和基于區域的分割方法。基于邊緣的分割方法假設分割目標的邊緣灰度不連續，這種不連續性可以使用一階和二階導數來檢測，通過建立特定的濾波器和閾值，對整幅圖像應用該濾波器來尋找響應高于閾值的地方，作為圖像的邊緣，然而這種方法對噪聲比較敏感、同時濾波器只能檢測特定方向的邊緣，且不能保證邊緣的連續性和封閉性，因此這類方法不能取得很好的分割效果。基于閾值的分割方法假設圖像的像素性質分布是有規律的，通過設定閾值來對像素進行分類，在二分類問題上，閾值的設定等價于求解滿足類間方差最大化和類內方差最小化的方程，這種方法效率比較高，然而只考慮到像素本身的特征，沒有考慮到空間特征，因此魯棒性較差，只適用于一些圖像像素性質分布有規律的簡單場景。基于區域的分割方法是一種直接尋找區域的分割方法，通常從一組“種子”點開始，將與種子性質相似的那些領域像素附加到每個種子上來形成這些生長區域，通過分離與聚合區域完成分割，這種方法需要設定區域生長和停止的條件和規則，計算量較大，較前兩種方法有更好的魯棒性，可以適用于較復雜的場景。

近年來，隨著深度學習的發展，深度學習已經在圖像分類領域取得了重大的進展，其表現已經超過傳統方法。而前列腺MR圖像分割問題本質上也是一個二分類問題，將圖像分為前列腺區域和非前列腺區域兩個類別。目前已有將深度學醫應用在前列腺MR圖像分割上的例子，但是受限于訓練樣本過少，類別不平衡的問題，導致訓練過程不穩定，并且設計的網絡沒有針對前列腺MR圖像進行優化，導致精度不夠高，同時缺少針對前列腺MR圖像的預處理步驟，給在前列腺MR圖像分割使用深度學習這樣一種提取特征的強大工具也帶來了困難。

發明內容

針對現有技術存在的不足，本發明提供了一種高內聚低耦合、高精度的基于注意力機制的卷積神經網絡的前列腺MR圖像分割方法。

為解決上述技術問題，本發明采用的技術方案為一種基于注意力機制的3D卷積神經網絡的前列腺MR圖像分割方法，包括數據預處理階段、網絡訓練階段和網絡推理階段。數據預處理階段包括前列腺MR圖像格式統一、像素值范圍裁剪、圖像重采樣。網絡訓練階段包括基于注意力機制的卷積神經網絡設計、過采樣策略平衡正負樣本比例和網絡訓練。網絡推理階段包括滑動窗口取樣前列腺MR子圖像、網絡預測子圖像分割圖和加權融合子圖像分割圖。具體包括如下步驟：

步驟(1)，將不同格式的前列腺MR圖像進行格式統一；

步驟(2)，對圖像的像素值范圍進行裁剪，去除掉異常點；

步驟(3)，計算所有圖像的平均體素間距，將所有圖像重采樣為該平均體素間距；