一種基于Mask R-CNN的前列腺超聲圖像分割方法及設備技術

本發(fā)明專利技術實施例公開了一種基于Mask R?CNN前列腺超聲圖像分割方法，包括建立Mask R?CNN+ResNet?101網絡模型；將待分割的前列腺超聲圖像輸入至所述Mask R?CNN+ResNet?101網絡模型中進行分割；將分割完成后的前列腺超聲圖像輸出。同時還提供一種基于Mask R?CNN前列腺超聲圖像分割設備，包括模型建立模塊、輸入模塊、輸出模塊。與現有技術相比，本發(fā)明專利技術解決現有前列腺超聲圖像分割不夠精準、定位準確性不高的問題。

A prostate ultrasound image segmentation method and equipment based on mask r-cnn

【技術實現步驟摘要】
一種基于MaskR-CNN的前列腺超聲圖像分割方法及設備
本專利技術涉及醫(yī)學圖像處理
，特別涉及一種基于MaskR-CNN的前列腺超聲圖像分割方法及設備。
技術介紹
前列腺超聲圖像分割是計算機視覺領域和醫(yī)療圖像的一個重要研究方向，分割技術給醫(yī)學上檢測和治療前列腺提供應用價值，當前，隨著人工智能在醫(yī)學領域的迅速發(fā)展，前列腺超聲圖像分割在模式識別領域得到了廣泛的研究和運用。由于前列腺超聲圖顯具有嚴重的斑點噪聲以及低信噪比等問題，且大多數前列腺超聲圖像分割算法不具有像素級分割，所以目前的前列腺超聲圖像分割不夠精準、定位準確性不高，這給醫(yī)生后期的判斷和工作都帶來不少的困擾和壓力。因此，如何提供一種能夠提高定位準確性的前列腺超聲圖像分割算法和設備，是本領域技術人員亟待解決的問題。
技術實現思路
本專利技術實施例提供了一種基于MaskR-CNN的前列腺超聲圖像分割方法及設備，能夠實現對前列腺超聲圖像的精確分割，進而減輕醫(yī)生的工作負擔。為解決現有技術當中存在的問題，本專利技術提供的一種基于MaskR-CNN前列腺超聲圖像分割方法具體方案為：一種基于MaskR-CNN前列腺超聲圖像分割方法，包括以下步驟：建立MaskR-CNN+ResNet-101網絡模型；將待分割的前列腺超聲圖像輸入至所述MaskR-CNN+ResNet-101網絡模型中進行分割；將分割完成后的前列腺超聲圖像輸出。優(yōu)選地，所述建立MaskR-CNN+ResNet-101網絡模型步驟包括：構建帶有分割標注信息的前列腺超聲圖像數據集；調用MaskR-CNN+ResNet-101網絡；將所述帶有分割標注信息的前列腺超聲圖像數據集中的前列腺超聲圖像輸入所述MaskR-CNN+ResNet-101網絡中；根據所述前列腺超聲圖像的分割標注信息，對所述MaskR-CNN+ResNet-101網絡進行訓練，獲得訓練結果；根據所述訓練結果，建立MaskR-CNN+ResNet-101網絡模型。優(yōu)選地，所述根據所述前列腺超聲圖像的分割標注信息，對所述MaskR-CNN+ResNet-101網絡進行訓練，獲得訓練結果步驟包括：將帶有分割標注信息的前列腺超聲圖像輸入MaskR-CNN+ResNet-101網絡模型；通過卷積神經網絡對前列腺超聲圖像進行特征提取，獲得對應的前列腺超聲圖像特征圖；將帶有圖像特征的前列腺超聲圖像通過區(qū)域建議網絡在特征圖上迅速生成候選區(qū)域，在候選區(qū)域上通過雙線性插值算法，保留浮點型坐標，經過池化處理，得到固定尺寸的前列腺超聲分割特征圖像；對獲得的前列腺超聲分割特征圖像進行檢測，獲得前列腺超聲分割特征圖像目標定位和/分類；通過全卷積網絡對定位和/分類后的前列腺超聲分割特征圖像繪出對應的二值掩碼實現分割，輸出前列腺超聲圖像的預測圖像。優(yōu)選地，所述雙線性插值算法包括步驟：再對y方向進行線性插值其中f(x，y)是待求解點P的像素值，已知四點是f(Q11)、f(Q12)、f(Q21)、f(Q22)，四點像素值是Q11＝(x1，y1)，Q12＝(x1，y2)，Q21＝(x2，y1)及Q22＝(x2，y2)，x方向插值得到f(R1)、f(R2)像素值。本專利技術的另一目的在于還提供一種基于MaskR-CNN前列腺超聲圖像分割設備，包括：模型建立模塊，用于建立MaskR-CNN+ResNet-101網絡模型；輸入模塊，將待分割的前列腺超聲圖像輸入至所述MaskR-CNN+ResNet-101網絡模型中；輸出模塊，用于輸出分割完成后的前列腺超聲圖像。優(yōu)選地，所述模型建立模塊包含：獲取單元，用于獲取病人的前列腺超聲圖像；識別單元，用于標注前列腺超聲圖像的分割邊界線，構建帶有分割標注信息的前列腺超聲圖像數據集；調用單元，用于調用MaskR-CNN+ResNet-101網絡；輸入單元，用于將所述帶有分割標注信息的前列腺超聲圖像數據集中的前列腺超聲圖像輸入所述MaskR-CNN+ResNet-101網絡中；訓練單元，用于根據所述前列腺超聲圖像的分割標注信息，對所述MaskR-CNN+ResNet-101網絡進行訓練，獲得訓練結果；模型建立單元，用于根據所述訓練結果，建立MaskR-CNN+ResNet-101網絡模型。優(yōu)選地，所述訓練單元包括：特征提取子單元，用于通過卷積神經網絡對前列腺超聲圖像進行特征提取，獲得對應的前列腺超聲圖像特征圖；檢測子單元，用于實現對前列腺超聲圖像中目標的定位及分類；分割子單元，運用全卷積網絡生成二值掩碼，實現前列腺超聲圖像的分割。從以上技術方案可以看出，本專利技術實施例具有以下優(yōu)點：本專利技術通過基于MaskR-CNN+ResNet-101網絡，對前列腺超聲圖像進行搜集、分類、標準等，進而建立MaskR-CNN+ResNet-101網絡模型，把大量前列腺超聲圖像輸入卷積神經網絡，提取圖像特征；然后在ROIAlign層上充分利用雙線性插值算法，保留浮點坐標；通過對前列腺超聲圖像經過池化處理，得到固定尺寸特征圖像，并運用全卷積網絡生成二值掩碼，實現前列腺超聲圖像的分割和前列腺超聲圖像的輸出。附圖說明圖1為本專利技術中一種基于MaskR-CNN的前列腺超聲圖像分割方法的一個實施例流程示意圖；圖2為本專利技術中一種基于MaskR-CNN的前列腺超聲圖像分割方法的實施例原理圖；圖3為本專利技術中的ResNet-101網絡的結構示意圖；圖4是本專利技術中一種基于MaskR-CNN的前列腺圖像分割設備的一個實施例結構示意框圖；圖5是根據本專利技術中一種基于MaskR-CNN的前列腺超聲圖像分割方法的一個實施例處理效果示意圖；圖6是本專利技術中一種基于MaskR-CNN的前列腺超聲圖像分割設備的ROIAlign算法處理的一個實施例示意圖；圖7是本專利技術中一種基于MaskR-CNN的前列腺圖像分割設備的另一個實施例結構示意框圖；圖8是本專利技術中一種基于MaskR-CNN的前列腺圖像分割設備中的訓練單元的一個實施例結構示意框圖。具體實施方式本專利技術實施例提供了一種基于MaskR-CNN的前列腺超聲圖像分割方法及設備，能夠實現對前列腺超聲圖像的精確分割，減輕醫(yī)生的工作負擔。下面結合本專利技術實施例中的附圖，對本專利技術實施例中的技術方案進行清楚和詳細的描述，顯然，所描述的實施例僅僅是本專利技術的一部分實施例，而不是全部實施例。基于本專利技術中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本專利技術保護的范圍。請參閱圖1至圖8，分別為本專利技術中一種基于MaskR-CNN的前列腺超聲圖像分割方法及設備或原理的實施例示意圖。實施例1本實施例所提供的一種基于MaskR-CNN的前列腺超本文檔來自技高網...

【技術保護點】
1.一種基于Mask R-CNN前列腺超聲圖像分割方法，其特征在于，包括以下步驟：/n建立Mask R-CNN+ResNet-101網絡模型；/n將待分割的前列腺超聲圖像輸入至所述Mask R-CNN+ResNet-101網絡模型中進行分割；/n將分割完成后的前列腺超聲圖像輸出。/n

【技術特征摘要】
1.一種基于MaskR-CNN前列腺超聲圖像分割方法，其特征在于，包括以下步驟：
建立MaskR-CNN+ResNet-101網絡模型；
將待分割的前列腺超聲圖像輸入至所述MaskR-CNN+ResNet-101網絡模型中進行分割；
將分割完成后的前列腺超聲圖像輸出。


2.根據權利要求1所述的一種基于MaskR-CNN前列腺超聲圖像分割方法，其特征在于，所述建立MaskR-CNN+ResNet-101網絡模型步驟包括：
構建帶有分割標注信息的前列腺超聲圖像數據集；
調用MaskR-CNN+ResNet-101網絡；
將所述帶有分割標注信息的前列腺超聲圖像數據集中的前列腺超聲圖像輸入所述MaskR-CNN+ResNet-101網絡中；
根據所述前列腺超聲圖像的分割標注信息，對所述MaskR-CNN+ResNet-101網絡進行訓練，獲得訓練結果；
根據所述訓練結果，建立MaskR-CNN+ResNet-101網絡模型。


3.根據權利要求2所述的一種基于MaskR-CNN前列腺超聲圖像分割方法，其特征在于，所述根據所述前列腺超聲圖像的分割標注信息，對所述MaskR-CNN+ResNet-101網絡進行訓練，獲得訓練結果步驟包括：
將帶有分割標注信息的前列腺超聲圖像輸入MaskR-CNN+ResNet-101網絡模型；
通過卷積神經網絡對前列腺超聲圖像進行特征提取，獲得對應的前列腺超聲圖像特征圖；
將帶有圖像特征的前列腺超聲圖像通過區(qū)域建議網絡在特征圖上迅速生成候選區(qū)域，在候選區(qū)域上通過雙線性插值算法，保留浮點型坐標，經過池化處理，得到固定尺寸的前列腺超聲分割特征圖像；
對獲得的前列腺超聲分割特征圖像進行檢測，獲得前列腺超聲分割特征圖像目標定位和/分類；
通過全卷積網絡對定位和/分類后的前列腺超聲分割特征圖像繪出對應的二值掩碼實現分割，輸出前列腺超聲圖像的預測圖像。


4.根據權利要求3所述的一種基于MaskR-CNN前列腺超聲圖像分割方法，其特征在于，所述雙線性插值...

【專利技術屬性】
技術研發(fā)人員：盧旭，劉志勇，
申請(專利權)人：廣東技術師范大學，
類型：發(fā)明
國別省市：廣東;44