前列腺磁共振图像分割的反卷积神经网络方法
目的 前列腺磁共振图像存在组织边界对比度低、有效区域少等问题,手工勾勒组织轮廓边界的传统分割方法无法满足临床实时性要求,针对这些问题提出了一种基于深度反卷积神经网络的前列腺磁共振图像分割算法.方法 基于深度学习理论,将训练图像样本输入设计好的卷积神经网络,提取具有高度区分性的前列腺图像特征,反卷积策略用于拓展特征图尺寸,使网络的输入尺寸与输出预测图大小匹配.网络生成的概率预测图通过训练一个softmax分类器,对预测图像取二值化,获得最终的分割结果.为克服原始图像中有效组织较少的问题,采用dice相似性系数作为卷积网络的损失函数.结果 本文算法以Dice相似性系数和Hausdorff距离作为评价指标,在MICCAI 2012数据集中,Dice相似性系数大于89.75%,Hausdorff距离小于1.3 mm,达到了传统方法的分割精度,并且将处理时间缩短在1 min以内,明显优于其他方法.结论 定量与定性的实验表明,基于反卷积神经网络的前列腺分割方法可以准确地对磁共振图像进行分割,相比于其他分割算法大幅度减小了处理时间,能够很好地适用于临床的前列腺图像分割任务.
前列腺分割、磁共振图像、卷积神经网络、Dice相似性系数、Hausdorff距离
22
TP319(计算技术、计算机技术)
国家自然科学基金项目61371156;National Natural Science Foundation of China61371156
2017-05-22(万方平台首次上网日期,不代表论文的发表时间)
共7页
516-522