前列腺癌是最为常见的恶性肿瘤之一,前列腺癌患者人数逐年上升,但很多患者难以得到及时的治疗。前列腺超声图像的计算机辅助诊断技术有助于前列腺癌的准确诊断与及时治疗。但是,前列腺超声图像存在边界不清晰、目标区域小且分辨率低、病灶区域形状和大小具有较大的差异等问题,使得基于超声图像的前列腺癌诊断效率相对较低,为了克服这些难题,本文提出基于深度学习的前列腺癌超声图像辅助诊断技术,辅助医生去筛选可疑的前列腺癌,能够明显提高前列腺癌的诊断准确率。本文重点研究基于深度学习的前列腺癌超声图像检测、诊断模型以及其高效的训练方法,主要工作如下:基于S-Mask R-CNN的前列腺超声图像分割技术研究。分割是前列腺超声图像数据增强中的一个关键步骤,能够将待分类的图像信息缩小到关键部分,消除过多无关信息干扰。利用改进的S-Mask R-CNN实现对前列腺超声图像的精确分割,利用感兴趣区域实现像素级特征点定位,通过卷积网络生成前列腺图像对应的二值掩膜,将前列腺区域与背景进行分割。然后,屏蔽背景信息,构建多组前列腺超声分割图像数据集,用于图像分类检测的Inception-V3网络中。实验结果表明,本文提出的算法在合理耗时的前提下,有良好的分割效果。基于Inception-V3的前列腺超声图像分类技术研究。在Inception-V3网络中,增加新的正向传播和反向传播组成的分类模块替代原网络的softmax。正向传播主要是将pool-3层以下的卷积层池化层提取的特征通过迁移学习策略转移到输入层,然后计算分类值和标签值之间的损失值来识别前列腺超声病变。实验结果表明,与各经典分类方法和人工诊断比较,本文方法更能够准确分类出前列腺超声图像的阴、阳性。基于改进的S-Mask R-CNN+Xception的前列腺癌超声图像标记分级研究。前列腺癌的Gleason分级为临床评估治疗方案提供了重要参考价值。但前列腺癌超声图像病理分级的研究很少,如何准确地描述其侵略性是一个热点问题。故本文提出一种基于深度学习的前列腺癌Gleason分级网络模型。该模型由病灶区域标记、图像增强、病理分级三个模块组成。具体地,该模型首先采用改进的S-Mask R-CNN网络模型对前列腺癌病灶区域进行标记,然后通过形态学图像处理和PCNN算法进行图像增强,最后利用Xception对前列腺超声图像进行病理分级。实验结果表明,本文Gleason分级模型的预测精确率高于其他经典分级模型和医生人工诊断,其预测精确率较人工诊断高出0.28。基于上述三个研究内容,本文构建了前列腺癌超声影像全流程智能辅助诊断技术,本文研究成果能够在像素级上准确检测前列腺癌超声图像的相关信息,与专业医生人工诊断和其他检测方法相比,本文方法具有更高的准确率。本文研究成果的应用将有效提升前列腺癌诊断工作的效率,促进前列腺癌超声图像诊断技术的发展。