一种前列腺癌MRI图像分割系统及图像分割方法

摘要: 本发明涉及水涉及医学图像处理和计算机辅助诊断,具体涉及一种前列腺癌mri图像分割系统及图像分割方法。背景技术:1、前列腺癌mri图像分割是病灶定位、靶区勾画、影...
一种前列腺癌MRI图像分割系统及图像分割方法

本发明涉及水涉及医学图像处理和计算机辅助诊断,具体涉及一种前列腺癌mri图像分割系统及图像分割方法。

背景技术:

1、前列腺癌mri图像分割是病灶定位、靶区勾画、影像组学特征提取和计算机辅助诊断中的基础环节。前列腺癌病灶在同一切片内可能同时表现为局部微小异常、边界渐变过渡和与腺体组织相似的较大范围信号变化;病灶内部、病灶边缘过渡区以及病灶周围腺体上下文所需的有效观察范围并不相同。因此,导致误分割的关键不只在于病灶与背景的整体对比度不足,还在于同一空间位置经过不同有效感受野观察后可能产生不一致的响应。

2、现有编码器-解码器式分割网络通常通过下采样获得高层语义,并通过跳跃连接将编码器的空间细节传递至解码器。直接拼接、相加或平均不同层级特征,通常只在通道数和空间尺寸层面完成匹配,默认各尺度信息可以采用固定比例共同参与重建;即使完成了尺寸和通道对齐,也无法判断同一解码位置应主要采用局部感受野、边界邻域感受野还是较大范围腺体上下文。对于前列腺癌mri中信号渐变的病灶边缘,这种固定融合容易使浅层纹理被相似背景带偏,或使深层语义覆盖真实边界,造成边界漂移、局部漏检和背景误分割。

3、另一方面,单一感受野难以同时覆盖微小病灶的局部响应、病灶边缘的过渡结构和腺体邻域的较大范围上下文。已有多分支方法常将不同感受野响应直接求和或拼接,导致分支之间原本能够指示病灶尺度变化的响应分歧被混合;另有方法采用独立的权重、通道筛选或二路差异调制,但其权重之间缺少同一空间位置上的尺度竞争约束,不能表达多个编码尺度的相对贡献,也不能使编码阶段形成的响应分歧在解码阶段继续发挥尺度选择作用。

技术实现思路

1、针对上述的技术问题,本技术方案提供了一种前列腺癌mri图像分割系统及图像分割方法,能有效解决技术问题。

2、本发明通过以下技术方案实现:

3、一种前列腺癌mri图像分割方法,包括步骤:将图像输入编码器-解码器式u-net分割网络;所述编码器-解码器式u-net分割网络的运行步骤包括:

4、s1:编码器依次产生多个空间分辨率递减的编码特征;在至少一个编码阶段,以同一编码特征为输入,通过具有不同有效感受野的多个并行特征变换分支,得到具有相同空间尺寸的多个多尺度响应;

5、s2:对多个多尺度响应执行两两差异运算,并对所得差异响应进行通道拼接和差异融合映射,生成多尺度差异场;将多尺度差异场以可学习残差方式注入对应编码特征,得到差异增强编码特征;其中,在高分辨率浅层保留原始跳跃特征,并将多尺度差异场作为差异条件信息传递至解码器;

6、s3:在解码器的至少一个解码阶段,将当前解码特征与来自k个相邻编码层级的编码特征,...,分别进行通道映射和空间尺寸对齐,得到对齐编码特征;将与k个编码尺度对应的多尺度差异场,...,进行通道映射、空间对齐和差异融合,得到差异条件表征;将差异条件表征与当前解码特征共同输入权重生成器,得到个尺度的未归一化响应,并沿尺度维度执行竞争式归一化,得到空间位置相关的尺度权重∈,且对于任一空间位置(u,v)满足;利用尺度权重对k个尺度的对齐编码特征执行加权重组,并将重组结果以可学习残差方式注入当前解码特征,得到更新解码特征;

7、s4:将更新解码特征经逐级上采样和输出映射,得到前列腺癌mri图像的像素级病灶分割掩膜。

8、进一步的,所述的编码器-解码器式u-net分割网络包括输入双卷积模块、四级下采样编码器、瓶颈层、四级上采样解码器和1×1输出卷积层;所述输入双卷积模块输出第一编码特征;所述四级下采样模块依次输出第二编码特征、第三编码特征、第四编码特征和瓶颈特征;所述四级上采样解码器包括四级上采样模块和一个输出卷积层,输出卷积层用于产生像素级分割逻辑值,并根据分割逻辑值生成像素级分割结果。

9、进一步的,步骤s2中所述的得到差异增强编码特征的操作方式为:

10、以同一输入特征为输入后,采用膨胀率分别为1、2、3的卷积变换,得到三个同空间分辨率的响应:

11、 ;

12、上式中,表示第个编码阶段中膨胀率为的特征变换分支输出;表示第个编码阶段的输入特征;表示膨胀率,;表示卷积核尺寸为3×3、膨胀率为的卷积运算;bn表示批量归一化;σ表示非线性激活函数,本实施例采用relu激活函数。三个响应之间的尺度差异包括第一差异、第二差异和第三差异,分别表示为:

13、 ;

14、将三个尺度差异沿通道维度拼接,并经1×1卷积、归一化、非线性激活和卷积映射,得到多尺度差异场,表示为:

15、 ;

16、上式中,表示第个编码阶段的差异融合映射,由1×1卷积、批量归一化、relu激活和3×3卷积构成;||表示沿通道维度拼接;、和分别表示三个多尺度响应之间的两两绝对差异;表示第个编码阶段的多尺度差异场;

17、将多尺度差异场以可学习残差系数加入原始编码特征,得到差异增强编码特征:

18、 ;

19、上式中,表示第个编码阶段的差异增强编码特征;表示该阶段的原始输入特征;表示第个编码阶段的可学习残差系数;表示对应的多尺度差异场;relu表示线性整流激活函数;

20、进一步的,在第一至第五编码阶段均生成与相应编码尺度对应的感受野响应差异场;在高分辨率编码阶段保留原始跳跃特征,同时生成对应的差异场供解码器条件权重生成器使用;在至少一个中低分辨率编码阶段采用差异增强编码特征作为后续编码输入和跳跃特征,以降低对浅层边界纹理的扰动。

21、进一步的,步骤s3中所述的得到更新解码特征的具体操作方式为:

22、s31:解码器的第级接收当前解码特征和三个编码器尺度特征、、;通过通道映射和双线性插值将三个编码器尺度特征分别变换至当前解码特征的通道数和空间尺寸,得到对齐特征:

23、;

24、上式中,表示解码阶段索引,表示参与重组的编码尺度索引;表示第级解码阶段使用的第个编码特征;表示对应的1×1卷积通道映射;resize表示双线性插值操作;和分别表示当前解码特征的高度和宽度;表示通道数和空间尺寸均已对齐的编码特征。

25、s32:解码器第j级的差异条件信息由三个多尺度差异场、、构成,三个多尺度差异场与三个相邻编码尺度对应,并已对齐至当前解码空间;将所述三个多尺度差异场分别进行通道映射和空间对齐,沿通道维度拼接并经差异融合映射,得到差异条件表征;

26、s33:为增强差异条件表征,将三个对齐编码特征、、进行两两绝对差异计算,得到差异响应、和:

27、;

28、s34:将差异响应进行通道拼接并经差异增强映射,与差异条件表征融合,得到增强差异条件表征:

29、;

30、上式中,表示第级解码阶段的差异条件表征;mⱼ*表示增强差异条件表征;表示第j级解码阶段的差异增强映射,用于对三组差异响应的拼接结果进行通道映射和特征融合,并使其通道数与mⱼ一致;、和表示三个对齐编码特征之间的两两绝对差异;||表示沿通道维度拼接;

31、s35:将差异条件表征或增强差异条件表征与当前解码特征沿通道维度拼接,输入权重生成器,得到三个尺度的未归一化响应:

32、;

33、上式中,表示第级解码阶段的条件权重生成映射,由3×3卷积、批量归一化、relu激活和1×1卷积构成;表示当前解码特征;表示权重生成器采用的条件表征,主实施方式中,增强实施方式中;||表示沿通道维度拼接;表示三个编码尺度的未归一化响应;表示实数域;表示批量大小;3表示参与重组的编码尺度数量;和分别表示当前解码特征的高度和宽度;

34、并以每一个空间位置为归一化单位,沿三个编码器尺度的尺度维度执行softmax竞争式归一化,得到空间位置相关的尺度权重∈,且对任一空间位置(u,v)满足;

35、;

36、上式中,(:,:,k)表示第级解码阶段第个编码尺度的未归一化响应;(:,:,k)表示对应的归一化尺度权重;为归一化求和索引;;(·)表示指数函数。同一空间位置的三个尺度权重之和为1;

37、s36:根据尺度权重对三个对齐编码特征执行加权重组,得到重组特征,并以可学习残差系数将重组特征加入当前解码特征,得到残差增强解码特征:

38、;

39、上式中,表示由三个对齐编码特征加权重组得到的重组特征;⊙表示逐元素乘法;表示注入重组特征后的残差增强解码特征;表示第级解码阶段的可学习残差系数;

40、s37:在解码器输出上设置可学习的细化残差系数,得到更新解码特征:

41、 ;

42、上式中,表示第级解码阶段的更新解码特征;表示3×3卷积;bn表示批量归一化;relu表示线性整流激活函数;表示第级解码阶段的可学习细化残差系数。

43、进一步的,所述的方法还包括训练模型的步骤,训练阶段采用二元交叉熵损失与dice损失的加权和对网络参数进行优化,所述dice损失按样本独立计算后求平均;测试阶段至少计算dice相似系数、iou、hd95、precision和recall。

44、一种前列腺癌mri图像分割系统,可应用于上述的一种前列腺癌mri图像分割方法,所述的图像分割系统包括:

45、数据获取模块:获取待分割的前列腺癌mri图像;

46、预处理模块:对mri图像执行尺寸归一化、灰度转换和张量化处理;

47、多尺度响应提取及差异场生成模块:在同一编码阶段以同一输入特征驱动具有不同有效感受野的并行特征变换分支,对同一空间位置的多尺度响应执行两两差异运算,并生成多尺度差异场;

48、解码器条件跨尺度动态重组模块:将与多个编码尺度对应的多尺度差异场映射并对齐至当前解码空间,根据当前解码特征和差异条件表征生成空间位置相关的尺度权重,并沿尺度维度执行softmax竞争式归一化后对多个编码尺度进行加权重组,再以可学习残差方式注入当前解码特征;

49、分割输出模块,用于对重组后的解码特征进行逐级上采样并输出前列腺癌mri图像的像素级病灶分割掩膜。

50、进一步的,所述的多尺度响应提取及差异场生成模块与解码器条件跨尺度动态重组模块在至少一个编码-解码路径上保持差异条件信息的尺度对应关系。

51、进一步的,所述的解码器条件跨尺度动态重组模块设置于第一至第三解码阶段,其中第一解码阶段使用第四级编码特征、第三编码特征和瓶颈特征,第二解码阶段使用第三编码特征、第二编码特征和第四编码特征,第三解码阶段使用第二编码特征、第一编码特征和第三编码特征;第四解码阶段采用标准跳跃连接完成高分辨率恢复。

52、有益效果

53、本发明提出的一种前列腺癌mri图像分割系统及图像分割方法,与现有技术相比较,其具有以下有益效果:

54、(1)本发明针对前列腺癌mri图像中病灶内部、边界过渡区和周围腺体上下文所需观察范围不同的问题,在同一编码阶段以同一输入特征建立不同膨胀率的并行卷积分支,并通过三组两两绝对差异构造感受野响应差异场,使网络能够显式感知同一空间位置的局部证据、边界证据和上下文证据之间的分歧。

55、(2)本发明将与编码尺度对应的感受野响应差异场传递至解码器条件空间尺度竞争路由模块,使差异信息参与尺度权重生成,而不是仅作为附加特征进行拼接。当前解码状态与差异条件表征共同决定多个编码尺度在每一位置的贡献,形成从编码响应分歧到解码尺度路由的连续技术链。

56、(3)本发明沿尺度维度采用,使同一空间位置的多个尺度贡献具有明确的相对关系且总和为1;由此,病灶内部、边界过渡区和相似腺体背景不会被同一固定融合比例处理,尺度选择能够随解码阶段和局部响应分歧变化。

57、(4)本发明通过可学习残差系数分别控制差异增强和动态重组的注入强度,并在高分辨率浅层保留原始跳跃特征,使尺度分歧信息参与决策的同时,减少复杂模块对前列腺癌mri边界纹理和训练初期特征分布的扰动。

58、(5)本发明的核心决策变量是由异感受野响应差异和当前解码状态共同生成的空间-尺度权重,且所述权重沿尺度维度进行竞争归一化;该变量同时具有明确的空间位置、编码尺度和解码阶段含义,使本发明区别于仅进行窗口拼接、独立门控、通道筛选或固定比例融合的分层感受野解码方案。

59、(6)本发明的模型训练中采用相同的数据集划分、输入尺寸、预处理方式、优化器、批量大小、训练周期和评价指标;横向对比模型采用相同的实验协议,以保证实验结果能够反映网络结构和功能模块本身的性能差异,并通过消融结果验证感受野响应差异场与解码器条件空间尺度竞争路由重组之间的协同作用。