基于生成对抗网络的前列腺MRI图像分割研究

发布时间：2020-03-19 15:59

【摘要】：前列腺癌已成为严重危害老年男性健康的疾病,而前列腺癌检测与诊断的第一步就是进行前列腺组织分割。核磁共振成像(Magnetic Resonance Imaging,MRI)技术由于形成的图像具有对比度好,过程对人体无辐射等优点,使得越来越多的人将MRI图像作为前列腺相关疾病临床检查的一种方式。然而,手动分割前列腺MRI图像,将会花费医生或相关专家大量的精力和时间。因此临床上需要一种自动的前列腺MRI图像分割算法。生成对抗网络(Generative adversarial networks,GAN)自提出后由于其灵活的框架以及强大的性能,逐渐被应用到各种图像处理任务中,比如目标检测、图像生成、文本到图像的转换、超分重建等。本文就基于生成对抗网络的前列腺MRI图像分割进行了研究,主要研究内容如下:(1)本文研究了生成对抗网络及其变体,尝试将生成对抗网络应用到前列腺MRI图像分割中,构建了一种基于条件生成对抗网络带和注意力机制的前列腺分割方法,使用错误区域注意网络从生成的前列腺掩膜图片中通过打分的方式找出最不准确的区域,最后通过校验器对最不准确的区域进行修正。(2)为了使得生成器能够更好地捕获前列腺的特征,本文在条件生成对抗网络的基础上增加了一个判别器,增加的判别器与原判别器有相同的网络结构,但是这两个判别器的输入尺寸不一样,输入尺寸小的判别器有较大的感受野,从而能捕获全局特征,使得生成器生成全局连续的区域;而输入尺寸大的判别器有较小的感受野,从而能捕获局部特征,使得生成器生成局部连续的区域。实验表明通过对抗训练之后,生成器能够生成较为准确的前列腺区域,从而完成前列腺区域的分割。(3)在生成对抗网络优化过程中,网络训练经常是不稳定的,为了保持网络训练的稳定性,本文将特征匹配损失函数作为整个损失函数的一部分。将生成的分割图像或者手工分割的图像同前列腺MRI图像一起输入给判别器时,判别器会提取输入的特征以区别这两者,生成器希望学习这样的特征,使得生成的分割图像特征与手工分割图像的特征尽量匹配以“骗过”判别器。
【图文】：

概率分布,图像分割,成像原理,正电子发射断层扫描

分割的目的在于通过提取出图像中对人来说有意义的信息，以便进一步处理。图像分割有广泛的应用，比如自动驾驶、基于类容的图像检索、人脸检测、物体检测等。同分割比较相似的任务是分类，但是两者又存在明显的不同之处，如图1.1[1]所示，上图的网络输入图像输出主体猫的类别，下图给网络输入图片，网络推断出含有猫的像素的概率分布图，进而给出猫的轮廓。图像分割在影像学诊断中大有用处。医学影像包括很多信息，而通常仅一个或两个组织是我们感兴趣的，图像分割可以允许我们看到感兴趣的区域而移除不需要的信息。随着技术的发展，医学影像成像原理也多了起来，这给诊断带来了方便，常用的成像原理包括磁共振成像 (MRI,MagneticResonanceImaging)[2]、X 射线(包括 CT)、正电子发射断层扫描 (PET,PositronEmissionTomography)等。一方面医学影像不像自然图像那样需要进行多分类，往往只需要将器官或者病灶勾勒出来即可；另一方面

前列腺,前列腺癌,图像分割,前列腺肿瘤

图 1.2 左图为医学影像，右图为分割结果Fig 1.2 The left picture shows the medical image, and the right picture shows the segmentationresult.医学影像分割种类繁多，本文就其中的前列腺 MRI 图像分割做了相应的研究，其它器官的分割原理也是类似的。在美国和欧洲，前列腺癌是仅次于肺癌的癌症死亡原因[3]。随着我国老年人口的增加，前列腺癌的发病率也随之增加，，因前列腺肿瘤而死亡的人数也在高升[4], 这严重威胁了国民的健康和福祉。核磁共振影像能够提供功能性的组织信息以及解剖信息，具有多参数成像和分辨率高的特点，是检查前列腺疾病的常用方法, 此外它能够显示前列腺同周围其它组织的邻近关系，可观察到前列腺癌的扩散情况。准确地分割前列腺，对前列腺癌的诊断以及前列腺相关手术方案的设定是有帮助的，但传统的人工逐切片前列腺分割是一项非常耗时耗力的工作，分割精度受专家个人经验的影响很大。因此，临床应用中迫切需要智能化的前列腺自动分割方法。1.2 前列腺 MRI 图像分割的国内外研究状况1.2.1 基于传统方法的前列腺 MRI 图像分割算法
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R445.2;R737.25;TP391.41

【参考文献】