(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210450439.9 (22)申请日 2022.04.24 (71)申请人 广东工业大 学 地址 510062 广东省广州市越秀区东 风东 路729号 申请人 南方医科 大学南方医院 (72)发明人 任鸿儒　吴斌　魏强　吕世栋　 鲁仁全　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 黄海丽 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/26(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种前列腺图像分割方法及前列腺癌智能 辅助诊断系统 (57)摘要 本公开提供了一种前列腺图像分割方法及 前列腺癌智能辅助诊断系统， 其属于前列腺癌智 能辅助诊断技术领域， 所述方案包括： 对待诊断 的前列腺图像采用所述的一种前列腺图像分割 方法进行分割； 对分割得到的前列腺图像进行网 格化处理后输入到预先训练的肿瘤判断网络模 型中， 获得每个网格图像的肿瘤判断结果； 将存 在肿瘤组织的网格图像进行合并， 获得合并后的 图像； 并在所述区域内进行病灶概率分类及边界 分割； 基于合并后的图像， 采用 深度学习模型进 行高阶特征提取； 同时， 对所述待诊断的前列腺 图像进行影像组学特征提取； 基于提取的高阶特 征以及影像组学特征对不同概率组织相互交融 的边界区域进行二次边界分割， 获得前列腺图像 的病灶概 率分布结果。 权利要求书2页 说明书9页 附图5页 CN 114820520 A 2022.07.29 CN 114820520 A 1.一种前列腺图像分割方法， 其特 征在于， 包括： 获取待分割的前列腺mpMRI图像序列； 基于预先训练的特征提取网络模型， 分别提取不同序列MRI图像的若干不同层级特征 图， 并基于串联 方式构成串联 特征图； 基于获得的串联特征图及注意力 机制， 对所述串联特征图的特征通道权重进行重新标 定， 获得融合mpMRI图像有效信息的融合特 征图； 基于所述融合特 征图， 通过区域建议网络及区域特 征聚集网络获得候选区域特 征图； 基于获得的候选区域特征图， 通过预先训练 的图像分割网络获得候选区域内检测目标 的分割结果。 2.如权利要求1所述的一种前列腺图像分割方法， 其特征在于， 基于获得的串联特征图 及注意力机制， 对所述串联 特征图的特 征通道权 重进行重新标定， 具体为： 所述注意力机制采用SE模块， 通过所述SE模块分别对每个串联特征图的不同特征通道 进行相关性建模， 标定不同特征通道权重； 基于全局池化层， 将不同特征通道的空间信息压 缩为一个通道描述子； 利用全连接层和ReLU层对不同特征通道间的相互依赖性进行建模， 通过sigmoid激活函数获得不同特征通道的权重； 通过尺度化操作， 将得到的权重与特征通 道相乘， 重新标定特 征通道权 重， 获得融合特 征图。 3.如权利要求1所述的一种前列腺图像分割方法， 其特征在于， 所述基于获得的候选区 域特征图， 通过 预先训练的图像分割网络获得候选区域内检测目标的分割结果； 具体为： 对于获得的候选区域特征图， 利用边框回归算法对候选区域进行修正； 基于区域分类 分支网络获得候选区域所包含检测目标的类别及概率， 并通过预先训练的图像分割网络获 得候选区域内检测目标的分割结果。 4.如权利要求1所述的一种前列腺图像分割方法， 其特征在于， 所述通过区域建议网络 及区域特征聚集网络获得候选区域特征图， 具体为： 基于所述融合特征图， 通过RPN网络获 得候选区域， 并基于Ro IAlign方法获得候选区域特 征图。 5.如权利要求1所述的一种前列腺图像分割方法， 其特征在于， 所述不同序列包括ADC 图像和TW2图像； 或， 所述特征提取网络模型采用并行的两个SE ‑Resnet网络； 或， 对于获得的候选区域特征图， 基于边框回归算法对候选区域进行修正， 并输出候选区 域包含的检测目标类别及概 率值。 6.一种前列腺癌智能辅助诊断系统， 其特 征在于， 包括： 对待诊断的前列腺图像进行分割， 其中， 所述分割方法采用如权利要求1 ‑5任一项所述 的一种前列腺图像分割方法； 对分割得到的前列腺图像进行网格化处理， 并将每个网格图像输入到预先训练 的肿瘤 判断网络模型中， 获得每 个网格图像的肿瘤判断结果； 将存在肿瘤组织的网格图像区域进行合并， 获得合并后的图像； 并在所述区域内进行 病灶概率分类及边界分割； 基于合并后的图像， 采用深度 学习模型进行高阶特征提取； 同时， 对所述待诊断的前列权　利　要　求　书 1/2 页 2 CN 114820520 A 2腺图像进行影 像组学特征提取； 基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二 次边界分割， 获得待 诊断前列腺图像的病灶概 率分布结果。 7.如权利要求6所述的一种前列腺癌智能辅助诊断系统， 其特征在于， 所述对分割得到 的前列腺图像进行网格化处理， 并将每个网格图像输入到预先训练的肿瘤判断网络模型 中， 具体为： 将分割得到的前列腺图像划分为大小为g*g网格， 采用g/2 为步长在网格图像中 进行遍历， 将每次遍历结果输入到所述肿瘤判断网络模型中， 获得每个网格图像的肿瘤判 断结果。 8.如权利要求6所述的一种前列腺癌智能辅助诊断系统， 其特征在于， 所述肿瘤判断模 型采用LocNet网络模型； 或 所述基于合并后的图像， 采用深度学习模型进行高阶特征提取， 具体采用CNN网络模 型。 或 对于所述深度学习模型的训练过程， 基于进化 算法对其网络参数及结构进行优化。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上运行的计算机程序， 其特征在 于， 所述处 理器执行所述程序时实现如下步骤： 对待诊断的前列腺图像进行分割， 其中， 所述分割方法采用如权利要求1 ‑5任一项所述 的一种前列腺图像分割方法； 对分割得到的前列腺图像进行网格化处理， 并将每个网格图像输入到预先训练 的肿瘤 判断网络模型中， 获得每 个网格图像的肿瘤判断结果； 将存在肿瘤组织的网格图像区域进行合并， 获得合并后的图像； 并在所述区域内进行 病灶概率分类及边界分割； 基于合并后的图像， 采用深度 学习模型进行高阶特征提取； 同时， 对所述待诊断的前列 腺图像进行影 像组学特征提取； 基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二 次边界分割， 获得待 诊断前列腺图像的病灶概 率分布结果。 10.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被 处理器执行时实现如下步骤： 对待诊断的前列腺图像进行分割， 其中， 所述分割方法采用如权利要求1 ‑5任一项所述 的一种前列腺图像分割方法； 对分割得到的前列腺图像进行网格化处理， 并将每个网格图像输入到预先训练 的肿瘤 判断网络模型中， 获得每 个网格图像的肿瘤判断结果； 将存在肿瘤组织的网格图像区域进行合并， 获得合并后的图像； 并在所述区域内进行 病灶概率分类及边界分割； 基于合并后的图像， 采用深度 学习模型进行高阶特征提取； 同时， 对所述待诊断的前列 腺图像进行影 像组学特征提取； 基于提取的高阶特征以及影像组学特征对不同概率组织相互交融的边界区域进行二 次边界分割， 获得待 诊断前列腺图像的病灶概 率分布结果。权　利　要　求　书 2/2 页 3 CN 114820520 A 3