CN114022462B 实现多参数核磁共振图像病灶分割的方法、系统、装置、处理器及其计算机可读存储介质 （华东理工大学）

本发明涉及一种基于深度神经网络模型实DWI的任意组合样本进行刚性匹配操作提取感兴入至级联金字塔卷积处理模块进行卷积和特征跨越连接层输出的特征输送至双输入通道注意网络深层特征的语义信息来指导浅层输出以获21.一种基于深度神经网络模型实现多参数核磁共振图像病灶分割的方法，其特征在(2)对处理后的图像提取感兴趣区域，并输送至前列腺癌病灶分割网络通过编码器进(3)所述的编码器输出特征图并将其输入至级联金字塔卷积模块的跨越连接层进行卷(4)解码器进行特征图上采样后与经过所述的跨越连接层输出的特征输送至双输入通(5)训练所述的前列腺多参数核磁共振图像的前列腺癌病灶分割网络，以获取病灶分采用预训练的ResNeXt网络中的预设个数的卷积模块通过编码器将各个卷积模块中的五次下采样所获得的特征图的通道数依次增加，且各个特征图大小(3.1)所述的编码器从第一层至第四层分别对应四个级联金字塔卷积模块进行特征图(3.2)所述的级联金字塔卷积模块使用卷积分解将一个大核卷积分解成双支路结构，(3.3)对多个大核卷积的结果在通道上进行拼接，最大程度保留小目标对象的特征信(3.4)根据编码器前四层输出的对应的四组级联金字塔使用的卷积核的个数与尺寸的2.根据权利要求1所述的基于深度神经网络模型实现多参数核磁共振图像病灶分割的(4.1)所述的双输入通道注意力模块的第一通道通过跨越连接路径中的级联金字塔卷积模块输入第一特征图第二通道通过解码层上采样后输入第二特征图x2e13(4.3)所述的双输入通道注意力模块将输入的第一特征图与第二特征图在通道维度上f为特征图；(4.5)所述的注意力向量与级联金字塔卷积模块的输出特征图在通道维度上相乘，以0=CA8X1+X2;3.根据权利要求2所述的基于深度神经网络模型实现多参数核磁共振图像病灶分割的Softmax函数输出每个特征图的像素所属4.根据权利要求3所述的基于深度神经网络模型实现多参数核磁共振图像病灶分割的5.一种利用权利要求4所述的方法实现基于深度神经网络模型实现多参数核磁共振图目标提取处理模块，用于对输入的前列腺多参数核磁共振图像的成像序列ADC、T2W、尺寸统一处理模块，与所述的目标提取处理模块相连接，用于对提取病灶分割神经网络处理模块，与所述的尺寸统一处一处理后的目标图像输入至前列腺多参数核磁共振图像的前列腺癌病灶分割网络中通过级联金字塔卷积模块，与所述的病灶分割神经网络处理模块4双输入通道注意力模块，与所述的级联金字塔卷积模块相连接，用于路径中的所述的级联金字塔卷积模块的输出特征图以及解码层进行特征上采样后的输出6.一种基于深度神经网络模型实现多参数核磁共振图像病灶分割的装置，其特征在存储器，存储一个或多个计算机可执行指令，所述计算机可7.一种基于深度神经网络模型实现多参数核磁共振可被处理器执行以实现权利要求1至4中任一项所述的基于深度神经网络模型实现多参数5[0001]本发明涉及医学图像自动分割的技术领域，尤其涉及图像处理中的语义分割领腺癌若能被尽早发现并进行及时治疗，可以有效提高患者的生存率。多参数MRI(Multi-基于mpMRI的前列腺癌临床诊断需要有放射科医生的专业知识作为基础，不同医师的判断出了许多不同的分割算法。针对PCa检测与分割的早期工作主要集中在手工特征选择方法了基于mpMRI的多通道编解码器网络以实现PCa的检测和分类，但是依然有网络参数冗余，[0006]基于深度神经网络模型实现多参数核磁共振图像病灶分割的方法，其主要特点[0008](2)对处理后的图像提取感兴趣区域，并输送至前列腺癌病灶分割网络通过编码[0009](3)所述的编码器输出特征图并将其输入至级联金字塔卷积模块的跨越连接层进6[0010](4)解码器进行特征图上采样后与经过所述的跨越连接层输出的特征输送至双输[0011](5)训练所述的前列腺多参数核磁共振图像的前列腺癌病灶分割网络，以获取病[0013]采用预训练的ResNeXt网络中的预设个数的卷积模块通过编码器将各个卷积模块[0017](3.1)所述的编码器从第一层至第四层分别对应四个级联金字塔卷积模块进行特[0018](3.2)所述的级联金字塔卷积模块使用卷积分解将一个大核卷积分解成双支路结[0019](3.3)对多个大核卷积的结果在[0020](3.4)根据编码器前四层输出的对应的四组级联金字塔使用的卷积核的个数与尺[0022](4.1)所述的双输入通道注意力模块的第一通道通过跨越连接路径中的级联金字塔卷积模块输入第一特征图第二通道通过解码层上采样后输入第二特征图X2eRe;12)为[0024](4.3)所述的双输入通道注意力模块将输入的第一特征图与第二特征图在通道维7[0030](4.5)所述的注意力向量与级联金字塔卷积模块的输出特征图在通道维度上相[0031]0=CA&X1+X2;Softmax函数输出每个特征图的像素所属[0039]该利用上述方法实现基于深度神经网络模型实现多参数核磁共振图像病灶分割[0040]目标提取处理模块，用于对输入的前列腺多参数核磁共振图像的成像序列ADC、寸统一处理后的目标图像输入至前列腺多参数核磁共振图像的前列腺癌病灶分割网络中连接路径中的所述的级联金字塔卷积模块的输出特征图以及解码层进行特征上采样后的8序可被处理器执行以实现上述所述的基于深度神经网络模型实现多参数核磁共振图像病[0050]采用了本发明的该基于深度神经网络模型实现多参数核磁共振图像病灶分割的MRI前列腺癌病灶的自动分割。[0052]图1为本发明的基于深度神经网络模型实现多参数核磁共振图像病灶分割的方法[0053]图2为本发明的基于深度神经网络的多参数核磁共振图像病灶分割方法的提取感9[0060]请参阅图1所示，该基于深度神经网络模型实现多参数核磁共振图像病灶分割的[0063](2)对处理后的图像提取感兴趣区域，并输送至前列腺癌病灶分割网络通过编码[0065](3)所述的编码器输出特征图并将其输入至级联金字塔卷积模块的跨越连接层进[0066](4)解码器进行特征图上采样后与经过所述的跨越连接层输出的特征输送至双输[0067](5)训练所述的前列腺多参数核磁共振图像的前列腺癌病灶分割网络，以获取病[0069]采用预训练的ResNeXt网络中的预设个数的卷积模块通过编码器将各个卷积模块[0070]作为本发明的优选实施方式，所述的预设个数的卷积模块设定为ResNeXt网络中使用了分组卷积和残差连接，可以在不增加(甚至降低)模型复杂度的前提下提升网络精[0075](3.1)所述的编码器从第一层至第四层分别对应四个级联金字塔卷积模块进行特[0076](3.2)所述的级联金字塔卷积模块使用卷积分解将一个大核卷积分解成双支路结[0077](3.3)对多个大核卷积的结果在[0078](3.4)根据编码器前四层输出的对应的四组级联金字塔使用的卷积核的个数与尺[0079]在实际应用当中，编码器从第一到第四层输出分别对应四个级联金字塔卷积模联金字塔卷积模块的输出特征图xeRe,另一部分是对应解码层上采样后的特征图[0083](4.1)所述的双输入通道注意力模块的第一通道通过跨越连接路径中的级联金字塔卷积模块输入第一特征图第二通道通过解码层上采样后输入第二特征图12)为[0085](4.3)所述的双输入通道注意力模块将输入的第一特征图与第二特征图在通道维[0092](4.5)所述的注意力向量与级联金字塔卷积模块的输出特征图在通道维度上相[0093]0=CA8X1+X2:[0097]作为本发明的优选实施方式，所述的步骤(5)为通过损失函数获取所述的病灶分[0102]在一种较佳的实施方式中，所述的步骤(5)中所述的前列腺癌分割网络训练过程[0103]模型输出的预测概率图真实分割标签图由于PCa分ADAM优化算法去最小化有监督信息的损失函数从而训练步骤(5)中的目标分[0108]以上述方式得到的模型即为基于深度神经网络的多参数核磁共振图像病灶分割82.11±0.95标的均值和标准差，其中，使用的评价指标包括：Dice相似系数(DiceSimilarityCoefficient,DSC)、平均边界距离(AverageBoundaryDistance,ABD)和相对体积差异[0111]Dice相似系数(DSC)是医学图像分割领域评价分割结果的最主要指标，用于评价[0114]平均边界距离(ABD)用于计算预测分割结果边界与真实分割标签边界之间距离的[0122]该利用上述方法实现基于深度神经网络模型实现多参数核磁共振图像病灶分割[0123]目标提取处理模块，用于对输入的前列腺多参数核磁共振图像的成像序列ADC、寸统一处理后的目标图像输入至前列腺多参数核磁共振图像的前列腺癌病灶分割网络中连接路径中的所述的级联金字塔卷积模块的输出特征图以及解码层进行特征上采样后的理器执行以实现上述所述的基于深度神经网络模型实现多参数核磁共振图像病灶分割的[0135]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的