论文部分内容阅读
前列腺癌是中老年男性常见恶性肿瘤。磁共振成像(MRI)因其具有对软组织分辨率高,可多参数成像,能对任意断层进行扫描的特点,被认为是前列腺癌诊断和辅助治疗的最佳医学影像。准确从前列腺磁共振图像中分割出前列腺对辅助前列腺癌诊断具有重要价值,虽然近年来已有多种针对前列腺磁共振图像的分割方法,但这些方法仍然不能适应不同图像数据集。医学图像算法的成功在一定程度上取决于高质量输入特征,然而,特征工程需要付出大量时间和精力,而且人工选择特征表达能力差,泛化能力低,无法满足目前图像分割的需求。深度神经网络的多层结构能够有效的表达复杂函数,从而使其能够学习到具有较强表征能力的图像特征,提高图像识别的准确性。本文使用三种全卷积神经网络U-Net、V-Net和Dense V-Net作为前列腺磁共振图像分割方法的基础对比方案,然后,在Dense V-Net和V-Net的基础上提出一种基于密集连接的全卷积神经网络FC Dense V-Net。FC Dense V-Net中卷积层之间的连接使用Dense V-Net中密集连接的方式,这样能够实现更大程度的特征复用,有效解决了现有模型不能同时获取不同层次特征的缺点;同时,FC Dense V-Net中上采样使用V-Net中对称的反卷积和卷积操作,使得FC Dense V-Net中反卷积操作后都会有相应的卷积操作来实现更深层次特征信息的提取,这对医学图像这种灰度值变化范围较大的图像来说至关重要,使得网络模型能提取到更多的特征信息,实现分割边界的细化。在一定程度上缓解了医学图像数据集小而造成的网络模型过拟合问题,提高了模型分类性能。在合作医院临床中心获取的真实数据上的实验结果表明FC Dense V-Net网络模型的性能优于Dense V-Net和V-Net,本文算法以戴斯相似性系数(DSC)、绝对相对体积差(aRVD)、平均边界距离(ABD)、豪斯多夫距离(HD)这四个评价指标对网络分割性能进行评估。FC Dense V-Net的Dice相似性系数为89.1%,大于Dense V-Net的87.8%和V-Net的87.6%,同时,FC Dense V-Net在其他三个指标上表现也明显优于Dense VNet和V-Net。