计算机技术与发展2023，Vol.33Issue(7) ：27-33.DOI:10.3969/j.issn.1673-629X.2023.07.004

基于控制点特征学习的前列腺组织轮廓线提取方法

Extraction of Prostate Tissue Contour Based on Control Points Feature Learning

金海燕 张锦 王海鹏 肖照林 王刚 陈晶 张雨 白志明
计算机技术与发展2023，Vol.33Issue(7) ：27-33.DOI:10.3969/j.issn.1673-629X.2023.07.004
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于控制点特征学习的前列腺组织轮廓线提取方法

Extraction of Prostate Tissue Contour Based on Control Points Feature Learning

金海燕 1张锦 2王海鹏 2肖照林 1王刚 3陈晶 3张雨 4白志明3
扫码查看

作者信息

  • 1. 西安理工大学 计算机科学与工程学院,陕西 西安 710048;陕西省网络计算与安全技术重点实验室,陕西 西安 710048
  • 2. 西安理工大学 计算机科学与工程学院,陕西 西安 710048
  • 3. 海口市人民医院,海南 海口 570208
  • 4. 海南大学,海南 海口 570228
  • 折叠

摘要

前列腺疾病检测和诊断的重要手段之一是分析核磁共振加权成像(T2 Weighted Imaging,T2WI)与弥散加权成像(Diffusion Weighted Imaging,DWI)的结果.对前列腺组织图像识别和标注的工作依赖医生经验且效率较低,大量就诊数据的高效高精度处理成为该领域一大挑战.目前,在T2WI图像上提取轮廓的深度学习图像分割算法已有报道,但在DWI图像上提取前列腺组织轮廓,仍存在边缘模糊导致的轮廓线提取难题.针对该问题,提出一种前列腺轮廓控制点的深度学习检测方法.与直接检测轮廓线不同,该文提出一种U型卷积神经网络对轮廓线控制点进行特征学习,以降低由不同患者前列腺轮廓差异导致的特征歧义性问题.在大量已标注数据集上,采用监督学习方式,提出一种结合控制点概率与空间分布的加权损失函数以优化神经网络收敛速度与检测性能.在控制点高精度检测的基础上,采用曲线保凸拟合得到最终的前列腺组织轮廓线.在实验部分,采用前列腺就诊临床数据测试了所提方法的性能,并与直接检测轮廓线方法、多种经典图像分割方法进行了对比.在实验数据的测试结果表明,该方法在相似性系数指标及豪斯多夫距离指标等方面优于现有其他医学网络分割方法.此外,该方法由于仅学习轮廓控制点,因此其在小样本数据集上的学习能力显著优于直接检测轮廓线的深度学习方法.

关键词

前列腺组织/弥散加权成像/控制点学习/U-Net网络/特征学习

Key words

prostate tissue/diffusion weighted imaging/control points learning/U-Net network/feature learning

引用本文复制引用

基金项目

国家自然科学基金(62272383)

国家自然科学基金(61871319)

海口市重大科技计划(ZDYF2021SHFZ243)

出版年

2023
计算机技术与发展
陕西省计算机学会

计算机技术与发展

CSTPCD
影响因子：0.621
ISSN：1673-629X
参考文献量6
段落导航相关论文