前列腺是男性生殖系统的附属腺,解剖学上可分为中央区和外周带两部分。由于这两部分前列腺癌的发病几率不一致,在解剖结构清晰的T2权重磁共振图像中区分中央区和外周带能够辅助放射科医生更好地检测和判断前列腺癌病灶,也是定量分析的首要步骤之一。传统手工设计的算法在前列腺区域分割中表现不够理想,基于深度学习的方法日益受到关注。基于全卷积U-Net的方法在已有研究中展现了一定的前景,其研究方法主要集中在以单张切片为单位的2D网络上,没有充分利用相邻切片间信息。另一方面,采用完整的三维序列数据进行分割又存在计算复杂度较大且对显存要求较高的缺点。如何融合2D网络计算复杂度较低和3D网络利用信息更完整的优势,更加准确的分割前列腺区域,是本论文关注的焦点。本文结合切片间的信息利用基于全卷积U-Net方法分割T2权重磁共振图像中前列腺中央区和外周带,并在NCI-ISBI公共数据集上利用DSC(Dice similarity coefficient)值进行评估。本文主要内容包括以下几个方面:(1)基于单张切片的2D U-Net前列腺区域分割。对切片重采样后进行中央裁剪,训练集切片在线扩增后训练2D U-Net。裁剪图像前后的平均DSC值持平,但可以减少显存的占用;图像扩增使中央区和外周带的平均DSC分别提升0.01和0.03,最终分割DSC分别为0.87±0.04,0.80±0.05。(2)基于整个病例的3D U-Net前列腺区域分割。3D U-Net中的3D卷积层可提取切片间信息辅助分割。但3D池化层会对切片层维度进行下采样,造成邻近切片间信息的损失。因此将3D池化层替换为2D池化层,提出改进的融合2D池化的3D U-Net模型。相较于传统3D U-Net能显著提升分割结果,但三维数据较大,受显存限制,模型较难优化,性能与2D网络基本持平。(3)基于相邻切片的2.5D ULSTM-Net前列腺区域分割。将U-Net解码阶段的卷积层替换为双向Conv LSTM模块,仅融合5张邻近切片间的信息进行分割。与2D及3D网络的分割结果相比,2.5D ULSTM-Net在中央区和外周带DSC分别提升0.02和0.01,分别为0.89±0.03和0.81±0.04。上述研究结果表明,与单张切片的2D U-Net和结合整个病例的融合2D池化的3D U-Net相比,仅结合邻近切片信息的2.5D ULSTM-Net能够有效提升分割结果并降低对显存的占用,是一种行之有效的前列腺区域分割算法。同时,与其他基于NCI-ISBI数据集的研究成果比较,本文算法具有一定的优势。