论文部分内容阅读
前列腺癌是欧美国家男性最常见的恶性肿瘤之一,其发病率在所有男性癌症中占第一位。近年来,我国前列腺癌的发病率也呈明显上升的趋势。由于磁共振成像(Magnetic Resonance Imaging,MRI)具有非接触、无痛苦等优点,已经成为现代医学中诊断癌症最有效的辅助工具之一。对于前列腺,由于其体积较小,位置隐蔽,在MR图像中不易观察,给医生的精确诊断造成了困难。因此,研究一种有效的前列腺MR图像处理算法,将前列腺从复杂的背景中分割出来对于前列腺癌的诊断和临床应用具有重大意义。为了实现前列腺MR图像的自动分割,本文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的前列腺MR图像语义分割网络—PSSNet(Prostate Semantic Segmentation Net),该网络由编码器和解码器组成。在图像的编码阶段,首先使用ResNet-101提取图像的特征,然后设计了DDSPP(Dense Dilated Spatial Pyramid Pooling)模块从特征中提取图像的多尺度语义信息。在图像的解码阶段,为了增加特征信息,设计了 DP(Decoder Processing)模块直接从编码器中提取不同层的特征,然后将提取到的特征与对应解码器的输出融合在一起,最后通过上采样逐步恢复出前列腺的完整信息。训练时,为了提高模型的准确率和泛化能力,防止过拟合,对原始数据集进行了处理。首先,优化已有的前列腺MR图像数据集,删除数据集中不包含前列腺结构的图像,减少无效样本对训练结果的影响;然后,通过加入高斯噪声、增强图像对比度等手段对优化后的前列腺MR图像数据集进行数据增广;最后,使用增广后的数据集对PSSNet进行训练。在优化增广后的前列腺MR图像数据集上对PSSNet进行测试,分割准确率达到了 99%以上,关键指标DSC(Dice Similarity Coefficient)和 HD(Hausdorff Distance)分别为0.954和0.876mm。实验结果表明,针对前列腺MR图像分割问题,本文提出的方法具有较高的分割精度和鲁棒性。