论文部分内容阅读
前列腺癌是仅次于肺癌的男性高发癌症。核磁共振成像因其对人体软组织结构成像清晰而成为观察前列腺区域病变的主要方法。然而前列腺核磁共振图像的成像区域是人体的整个盆腔,前列腺体积小、与周围组织相距近等特点为临床医生的观察带来了不便。依靠人工分割前列腺需要大量时间,因此从核磁共振图像中自动地分割出前列腺对于疾病的临床诊断具有重要意义。以U型结构为框架的卷积神经网络近年来在图像分割任务中的表现非常突出,几乎成为深度学习方法中图像语义分割的标准框架。前列腺核磁共振图像属于医学图像,其本身具有对比度低、目标体积小、边界不清晰、可用样本量少等特点,也是相较于分割自然图像的难点。因此,基础的U-Net无法准确地分割前列腺。针对前列腺核磁共振图像特点,提出了一套分割算法:首先在图像预处理模块对图像尺寸和灰度值进行归一化,并通过调整窗宽窗位和直方图均衡化等方法增强图像对比度,接着由曲率滤波器对图像进行平滑以消除噪声;然后通过非刚体变换、仿射变换、水平翻转、随机裁剪等方法扩大训练样本;最后基于U型网络架构,在编码器端将普通卷积替换为密集连接结构以增强神经网络提取特征的能力同时减少参数量,在解码器端增加注意力机制以学习关键特征,在预测输出端增加轮廓预测分支以增强对前列腺轮廓的学习能力。基于公开的前列腺数据集Promise12和Prostate X对所提出的分割算法进行了实验验证,其DSC、Hasdorff距离分别可以达到0.89和10.1,并且相对于其它网络结构具有更少的参数量。实验结果表明,所提出的分割算法可以有效地分割前列腺,并且具有分割精度高、参数量少、模型收敛速度快等优点。