本发明公开了一种基于多深度信念网络的磁共振MRI前列腺3D图像分割方法。主要解决现有技术因人工选择特征，导致分割精度低的问题。其实现方案是:根据患者图像获取每个患者的数据集，将每个患者数据集分为三部分；用这三部分训练集分别训练三个结构相同的深度信念网络和三个softmax分类器；将三个测试集输入到三个网络中；用三个softmax分类器对三个网络的输出进行分割，并将三个测试集的分割结果依次叠加，得到测试集的初分割结果；使用三维形态学对测试集初分割结果进行处理，得到最终的分割结果。本发明无需人工选择，能有效利用磁共振MRI序列图像上下层的信息特征，提高了分割的准确率。
1.基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，包括：(1)获取n×m幅磁共振MRI前列腺图像，其中n＝10表示患者个数，m≤50表示每个患者最多有50幅图像；
(2)对每幅图像的所有像素点进行预处理，即将以每个像素点为中心的13×13×3的长方体转换成1×507维的行向量，得到由m×l个行向量组成的患者数据集，其中l表示每一幅图像中的像素点个数，l≤7200；
从10个患者中选取9个患者，将所选的每个患者的前 个行向量组成第一训练集，中间 个行向量组成第二训练集，后 个行向量组成第三训练集；
将剩余的1个患者，再按照如上方法分成三个测试集，分别为第一测试集、第二测试集和第三测试集；
(4)构建深度信念网络，分别用第一训练集学习得到网络一，用第二训练集学习得到网络二，用第三训练集学习得到网络三，这三个网络具有相同的结构；
(5)使用网络一训练一个softmax分类器得到分类器一，使用网络二训练一个softmax分类器得到分类器二，使用网络三训练一个softmax分类器得到分类器三；
将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果；
将第二测试集输入网络二将其结果输入分类器二进行计算，得到第二测试集的分割结果；
将第三测试集输入网络三将其结果输入分类器三进行计算，得到第三测试集的分割结果；
将三个测试集的分割结果依次合并，得到测试集的分割结果；
(7)对测试集分割结果进行三维形态学处理得到最终的分割结果。
2.根据权利要求1所述的基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，其中步骤(4)构建深度信念网络，使用三个受限玻尔兹曼机依次叠加构造一个三层的深度信念网络，三个受限玻尔兹曼机的节点数分别为500、1000、500。
3.根据权利要求1所述的基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，其中步骤(5)使用网络一训练一个softmax分类器得到分类器一，按照如下步骤进行：(5a)将第一训练集输入到网络一中得到网络一的输出，将此输出作为softmax分类器的训练集；
(5b)将训练集输入到softmax分类器中，使用梯度下降算法极小化误差，求得分类器的最优参数，得到分类器一。
4.根据权利要求1所述的基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，其中步骤(6)将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果，按照如下步骤进行：(6a)将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果。
5.根据权利要求1所述的基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，其中步骤(7)对测试集的初分割结果进行三维形态学处理得到最终的分割结果，按照如下步骤进行：(7a)将测试集的初分割结果进行三维膨胀处理得到膨胀处理结果；
(7b)将膨胀处理结果进行三维腐蚀处理得到腐蚀处理结果；
(7c)将腐蚀处理结果再次进行三维膨胀处理得到最终的分割结果。
基于多深度信念网络的磁共振前列腺3D图像分割方法
技术领域
[0001] 本发明属于一种图像处理技术领域，特别涉及一种磁共振三维图像分割方法，可用于对医学图像的处理。
背景技术
[0002] 前列腺癌是男性最常见的恶性肿瘤之一，在欧美等发达国家前列腺癌发病率位列第一，死亡率仅次于肺癌。近些年来随着我国进入老年社会，前列腺癌发病率呈增长趋势。
[0003] 前列腺周围组织器官众多且结构复杂，前列腺像一个倒扣的栗子，似圆形底部位于前列腺上方，尖形朝下。它紧邻膀胱，正前方是耻骨，后方紧挨着直肠。周围组织和前列腺黏连严重。图像分割方法是诊断治疗前列腺疾病的科学基础，也是前列腺疾病诊断治疗需要解决的关键技术之一。
[0004] 目前，对于磁共振MRI前列腺图像的分割方法主要使用2D特征，磁共振MRI前列腺图像是序列图像，2D特征不能利用图像上下层之间的信息，主要使用人工选择的特征在2D上进行分割。这个人工选择主要依靠人们的经验和大量重复实验获得，一个好的特征几乎要用整个团队的力量去寻找，要耗费大量的时间反复摸索才能得到。由于医疗图像复杂多变，个性化强，通过人工选择的特征很难适用于所有复杂的医疗图像，影响临床诊断的准确性，所以面对复杂的磁共振MRI图像急需要一种更加灵活鲁棒、科学准确的分割方法。
发明内容
[0005] 本发明的目的在于针对上述已有技术的不足，提出一种基于多深度信念网络的磁共振前列腺3D图像分割方法，以自适应的方式从图像中提取特征，避免人工选择特征的缺陷，提高复杂的磁共振MRI前列腺图像分割准确率。
[0006] 本发明的思路是：通过使用序列3D图像块作为输入数据，构造多深度信念网络，能够自适应地提取图像特征，进而提高前列MRI图像分割效果；本发明得到的三维分割结果能够帮助医生对前列腺体有更加直观的认识，提高临床诊断和治疗的准确性。
[0007] 根据上述思路，本发明技术方案包括如下：
[0008] (1)获取n×m幅磁共振MRI前列腺图像，其中n＝10表示患者个数，m≤50表示每个患者最多有50幅图像；
[0009] (2)对每幅图像的所有像素点进行预处理，即将以每个像素点为中心的13×13×3的长方体转换成1×507维的行向量，得到由m×l个行向量组成的患者数据集，其中l表示每一幅图像中的像素点个数，l≤7200；
[0010] (3)构造训练集：
[0011] 从10个患者中选取9个患者，将所选的每个患者的前 个行向量组成第一训练集，中间 个行向量组成第二训练集，后 个行向量组成第三训练集；
[0012] 将剩余的1个患者，再按照如上方法分成三个测试集，分别为第一测试集、第二测试集和第三测试集；
[0013] (4)构建深度信念网络，分别用第一训练集学习得到网络一，用第二训练集学习得到网络二，用第三训练集学习得到网络三，这三个网络具有相同的结构；
[0014] (5)用网络一训练一个softmax分类器得到分类器一，用网络二训练一个softmax分类器得到分类器二，用网络三训练一个softmax分类器得到分类器三；
[0015] (6)对测试集进行分割：
[0016] 将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果；
[0017] 将第二测试集输入网络二将其结果输入分类器二进行计算，得到第二测试集的分割结果；
[0018] 将第三测试集输入网络三将其结果输入分类器三进行计算，得到第三测试集的分割结果；
[0019] 将三个测试集的分割结果依次合并，得到测试集的分割结果；
[0020] (7)对测试集分割结果进行三维形态学处理得到最终的分割结果。
[0021] 本发明与现有的技术相比具有以下优点：
[0022] 1.本发明采用深度信念网络对数据进行深度抽象描述，能够充分利用图像自身信息，无需人工选择特征，自适应性好，提高了分割效果。
[0023] 2.本发明采用3D图像块作为深度信念网络的输入，能更有效利用磁共振MRI序列图像上下层的信息。
附图说明
[0024] 图1是本发明实现总流程图；
[0025] 图2是本发明对测试患者磁共振MRI前列腺图像分割效果图。
[0026] 具体实施方法
[0027] 参照附图1，本发明的实现步骤如下：
[0028] 步骤1.获取患者图像。
[0029] 从医院获取n×m幅磁共振MRI前列腺图像，其中n＝10表示患者个数，m≤50表示每个患者最多有50幅图像。
[0030] 步骤2.根据患者图像获取患者数据集。
[0031] 2a)获取每一幅图像的每一个像素点为中心的13×13×3的长方体；
[0032] 2b)将每一个长方体转换成1×507维的行向量，得到每位患者由m×l个行向量组成的数据集，其中l表示每一幅图像中的像素点个数，l≤7200。
[0033] 步骤3.构造训练集和测试集。
[0034] 3a)选取十个患者中的9个患者；
[0035] 3b)将所选患者数据集中的前 个行向量组成第一训练集，中间 个行向量组成第二训练集，后 个行向量组成第三训练集；
[0036] 3c)将剩余患者数据集中的前 个行向量组成第一测试集，中间 个行向量组成第二测试集，后 个行向量组成第三测试集。
[0037] 步骤4.训练三个参数相同的深度信念网络。
[0038] 4a)构建三个深度信念网络，即使用三个受限玻尔兹曼机依次叠加完成，三个受限玻尔兹曼机的节点数分别为500、1000、500；
[0039] 4b)设三个深度信念网络的学习率均为0.01，初始动态学习率均为0.5，稳定动态学习率均为0.9；
[0040] 4c)使用对比散度算法训练每一层受限玻尔兹曼机；
[0041] 4d)使用后向传播算法微调整个深度信念网络；
[0042] 4e)使用第一训练集作为第一个深度信念网络的输入，使用4c)到4d)的方法对第一个深度信念网络进行训练，得到网络一；
[0043] 4f)使用第二训练集作为第二个深度信念网络的输入，使用4c)到4d)的方法对第二个深度信念网络进行训练，得到网络二；
[0044] 4g)使用第三训练集作为第三个深度信念网络的输入，使用4c)到4d)的方法对第三个深度信念网络进行训练，得到网络三；
[0045] 步骤5.训练三个softmax分类器。
[0046] 5a)使用梯度下降算法极小化softmax分类器的误差，求得softmax分类器的最优参数，完成对softmax分类器的训练；
[0047] 5b)将第一训练集输入到网络一得到网络一的输出，用此输出作为第一个softmax分类器的输入，使用5a)的方法对第一个softmax分类器进行训练得到分类器一；
[0048] 5c)将第二训练集输入到网络二得到网络二的输出，用此输出作为第二个softmax分类器的输入，使用5a)的方法对第二个softmax分类器进行训练得到分类器二；
[0049] 5d)将第三训练集输入到网络三得到网络三的输出，用此输出作为第三个softmax分类器的输入，使用5a)的方法对第三个softmax分类器进行训练得到分类器三。
[0050] 步骤6.分割测试集。
[0051] 6a)将第一测试集输入网络一将其结果输入分类器一进行计算，得到第一测试集的分割结果；
[0052] 6b)将第二测试集输入网络二将其结果输入分类器二进行计算，得到第二测试集的分割结果；
[0053] 6c)将第三测试集输入网络三将其结果输入分类器三进行计算，得到第三测试集的分割结果；
[0054] 6d)将三个测试集的结果依次叠加得到测试集的初分割结果。
[0055] 步骤7.对初分割结果进行三维形态学处理。
[0056] (7a)将测试集的初分割结果进行三维膨胀处理得到膨胀处理结果；
[0057] (7b)将膨胀处理结果进行三维腐蚀处理得到腐蚀处理结果；
[0058] (7c)将腐蚀处理结果再次进行三维膨胀处理得到最终的分割结果。
[0059] 综上所述，本发明提出的基于多深度信念网络的磁共振MRI前列腺3D图像分割方法，根据患者图像获取每个患者的数据集，将每个患者数据集分为三部分，并用这三部分训练集分别训练三个参数相同的深度信念网络和三个softmax分类器，将三个测试集输入到三个网络中，用三个softmax分类器对三个网络的输出进行分割，得到三个测试集的分割结果依次叠加后得到测试集的分割结果，最后使用三维形态学对测试集分割结果进行处理，得到最后的分割结果，如图2所示。其图中图2(a)为本发明的分割结果，图2(b)为专业医生手工分割结果，图2(c)为本发明分割结果和医生手工分割结果的融合示意图。
[0060] 由图(2)可以看出，本发明能够很好的对磁共振MRI前列腺图像进行分割，并取得极好的分割效果，可为医生对前列腺病人的诊断治疗提供有力的帮助。
