论文部分内容阅读
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。