基于深度學習的MRI前列腺分割.pdf

1、隨著經(jīng)濟的發(fā)展人民生活水平的提高，健康問題越來越得到人們的重視。前列腺癌是男性生殖系統(tǒng)最常見的癌癥，在歐美等發(fā)達國家中前列腺癌發(fā)病率在男性癌癥發(fā)病率排名第一。隨著醫(yī)療影像技術的發(fā)展，磁共振圖像因為眾多的優(yōu)點多被用于到前列腺癌的診斷和治療中。如何快速、準確地對前列腺進行分割，成為了醫(yī)學輔助診斷的重要話題。
　　圖像表示在圖像解析上起著非常重要的作用。不同醫(yī)療圖像分析算法的成功之處在于我們如何表示輸入的數(shù)據(jù)，換而言之，就是如何用特征描

2、述輸入圖像。在過去的十幾年里特征工程一直是醫(yī)療圖像研究領域的熱門，許多好的創(chuàng)新的手工特征像哈爾小波和局部二值模式被研發(fā)出來。而這些手工特征在不同數(shù)據(jù)集中提取和組織顯著信息的能力并不強大。也就是說，這些手工特征的表示能力隨著數(shù)據(jù)集的不同而有很大的差異。不同人的前列腺磁共振圖像之間差異很大，用手工特征并不能很好地表示這些圖像。一個有效的特征應該是通過一個學習的方法得到,可以適應不同的數(shù)據(jù)集。本文針對前列腺磁共振圖像的分割問題，我們展開了如下

3、研究：
　　我們引入了深度學習框架來解決上述問題。具體而言，使用深度信念網(wǎng)絡用分層無監(jiān)督的方法來提取有效的特征。學習到的特征隨著數(shù)據(jù)集的不同而做出調整并且可以編碼高層的結構語義信息，并利用有標簽數(shù)據(jù)進行有監(jiān)督微調，然后將學習到的特征作為softmax回歸分類器的輸入，對數(shù)據(jù)進行分類最終達到分割地目的。
　　針對前列腺MRI的三維成像模式提出了一種基于雙深度信念網(wǎng)絡的3-D前列腺磁共振圖像分割。按照前列腺磁共振圖像中前列腺腺體