论文部分内容阅读
前列腺疾病是男性生殖系统中常见疾病。随着我国居民生活水平的不断提高,前列腺癌的发病率也逐渐增加。前列腺经直肠超声(transrectal ultrasound,TRUS)图像由于具有廉价性、实时性、无损性和无辐射等优点,被广泛应用于前列腺疾病的预防、诊断和治疗中。尤其是在前列腺癌的诊断和治疗中,近距离放射治疗、癌区定位和活检针放置等现代临床应用的增多,对TRUS图像中精确的前列腺自动分割技术的需求日益增加。但是,实际临床中主要采用医生手动分割的方法,不仅耗时费力而且严重依赖医生的经验和能力。前列腺区域的快速、准确和可重复性分割仍是一个具有挑战性的问题。本文提出基于卷积神经网络(Convolution Neural Network,CNN)的前列腺TRUS图像分割网络ProNet。基于编码器-解码器结构,利用编码器使用池化层逐渐缩减输入数据的空间维度,解码器通过反卷积层等网络层逐步恢复目标细节和相应的空间维度。在编码器阶段,提出融合空洞卷积金字塔结构(Fusion Atrous Spatial Pyramid Pooling,FASPP),FASPP不仅能够增大感受野,增加像素密度,而且利用更加丰富的空间关系提取图像特征。在解码器阶段,提出分层级特征融合(Hierarchical Feature Fusion,HFF)和生成语义特征(Generate Semantic Features,GSM)结构。HFF能够将多尺度特征图像相融合,利用高层级和低层级特征的互补性,使得解码器的每个模块可以使用前面模块的语义特征映射来纠正潜在的错误特征。GSM结构则可以生成不同尺度的语义特征,将全局图像特征和局部图像特征结合,充分利用图像上下文信息生成多尺度语义信息。最后通过数据集增广和AtoS网络优化算法,加速模型初始化速度,提升网络模型的泛化能力。通过对比不同方法的实验结果,本文提出的ProNet网络能够有效的克服前列腺TRUS图像伪影和边界缺失等问题,准确分割前列腺区域。ProNet的分割结果与医生金标准之间的平均绝对距离是0.360毫米,豪斯多夫距离是1.228毫米,Dice相似性系数是0.9608,特异性是0.9980,灵敏度是0.9560。与传统分割方法和深度学习分割方法相比,无论是主观定性的分割轮廓对比结果,还是基于轮廓距离和轮廓面积的客观定量评价结果,ProNet网络性能均优于对比算法,证明了本文方法的有效性。