【關(guān)鍵詞】自編碼卷積神經(jīng)網(wǎng)絡(luò)；前列腺TRUS圖像；圖像分割；特征提??；醫(yī)學(xué)圖像處理

引言

隨著醫(yī)療技術(shù)的不斷進(jìn)步，前列腺TRUS圖像已成為前列腺疾病診斷與治療的重要工具。經(jīng)直腸前列腺TRUS圖像因無創(chuàng)性、實時性和低成本等優(yōu)勢，在前列腺疾病檢查中廣泛應(yīng)用。然而，其解讀與分析常依賴醫(yī)生經(jīng)驗，主觀性強(qiáng)且存在誤差。因此，開發(fā)自動、準(zhǔn)確的前列腺TRUS圖像分割方法，對提升診斷精度、減輕醫(yī)生負(fù)擔(dān)至關(guān)重要。

但前列腺TRUS圖像分割面臨諸多挑戰(zhàn)。前列腺形態(tài)和大小個體差異大，且受周圍組織影響，使得分割任務(wù)復(fù)雜。此外，TRUS圖像存在噪聲．偽影和對比度低等問題，進(jìn)一步增加分割難度。前列腺疾病多樣，單一分割方法難以適應(yīng)所有情況，需開發(fā)泛化能力更強(qiáng)的算法。

目前，多種圖像分割方法已應(yīng)用于前列腺TRUS圖像。文獻(xiàn)[1]通過多期相CT數(shù)據(jù)融合增強(qiáng)器官表現(xiàn)，精確分割多個器官，但高度依賴高質(zhì)量CT數(shù)據(jù)。文獻(xiàn)[2]研究基于U-net改進(jìn)的前列腺TRUS圖像分割方法，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高分割精度，但結(jié)構(gòu)復(fù)雜，可能導(dǎo)致訓(xùn)練時間長且需大數(shù)據(jù)集避免過擬合。

針對上述問題，本文提出基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的前列腺TRUS圖像分割方法，旨在提高分割精度。

一、基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的前列腺TRUS圖像分割方法設(shè)計

（一）前列腺TRUS圖像灰度均衡化處理

前列腺TRUS圖像的初始形態(tài)一般呈現(xiàn)為圓形，同時伴有一個較大且較為昏暗的背景區(qū)域。為了增強(qiáng)后續(xù)網(wǎng)絡(luò)訓(xùn)練的效果，同時提升最終圖像分割的精確度，本文對這些圖像進(jìn)行了灰度均衡化的預(yù)處理工作。

針對前列腺TRUS圖像，進(jìn)行了灰度均衡化處理。首先，對于每個灰度級別，計算圖像有效區(qū)域（ROI）內(nèi)的像素數(shù)量。根據(jù)ROI中的像素總數(shù)n，計算每個灰度級別在ROI中出現(xiàn)的概率?；谶@些概率值，計算好h（a）的累積分布函數(shù)，其中f（a）=∑f，取值范圍從0到i。依據(jù)直方圖均衡化的公式（如方程（1）所示），對原圖像進(jìn)行了預(yù)處理，從而得到了灰度分布更加均衡的圖像。

針對前列腺TRUS圖像的灰度均衡化處理，使用上述公式進(jìn)行計算。其中，是原始圖像灰度值的上限，為固定的值，用于界定圖像中灰度級別的最大范圍。則為經(jīng)過灰度均衡化處理后，圖像所達(dá)到的新的灰度上限值。這一值的變化，直接反映了灰度均衡化對圖像對比度改善的效果。m為圖像中像素的總數(shù)。對于計算灰度級別的概率分布至關(guān)重要。f為累積分布函數(shù)的最小值，確?；叶燃墑e的重新分配不會使得圖像的某些細(xì)節(jié)丟失，從而保證了處理后圖像的完整性和準(zhǔn)確性。

（二）基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的圖像特征展平

基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取，采用UNet模型的結(jié)構(gòu)。這一模型精心設(shè)計6個特征提取模塊和6個特征解碼模塊，確保圖像信息在提取和重構(gòu)的過程中得到充分地利用。在這些模塊之間，存在著巧妙的連接結(jié)構(gòu)，使得圖像信息在傳遞過程中能夠保持連續(xù)性和完整性。

在特征提取過程中，每個模塊都會對輸入矩陣的大小和通道數(shù)進(jìn)行調(diào)整。每個特征提取模塊內(nèi)部都進(jìn)行卷積操作。添加一個新的卷積層，并在其上應(yīng)用3個卷積核進(jìn)行進(jìn)一步的特征提取。利用卷積操作捕捉圖像中的局部模式和結(jié)構(gòu)信息。

完成卷積操作后，通過另一個卷積層將兩個卷積層的輸出進(jìn)行整合，從而得到更加豐富和全面的特征表示。隨著特征提取模塊的逐層深入，獲得從低級到高級的不同層次的特征信息。表示從原始圖像中提取出了64種不同的特征，并輸出了768個通道的特征圖，特征圖包含了圖像中最為關(guān)鍵和抽象的信息。通過三個全連接層進(jìn)行進(jìn)一步的處理，并將矩陣變換器模塊中的矩陣V、Q與K做矩陣乘法：

在上述公式中，d為多頭自注意力中頭的數(shù)目，最終解碼模塊的輸出圖像特征由分割結(jié)果產(chǎn)生的類別確定。

（三）實現(xiàn)前列腺TRUS圖像分割

前列腺TRUS圖像分割流程如圖1所示。

數(shù)據(jù)輸入：開始時，將前列腺TRUS圖像作為輸入數(shù)據(jù)。

圖像預(yù)處理：對輸入的TRUS圖像進(jìn)行灰度化，將其轉(zhuǎn)換為灰度圖像。應(yīng)用灰度均衡化處理，以改善圖像的對比度，使圖像中的不同組織或結(jié)構(gòu)更加清晰可辨。

自編碼卷積神經(jīng)網(wǎng)絡(luò)模型：將預(yù)處理后的圖像輸入基于自編碼的卷積神經(jīng)網(wǎng)絡(luò)模型中。該模型由編碼器和解碼器兩部分組成。編碼器用于提取圖像的特征，解碼器用于根據(jù)這些特征重構(gòu)圖像。

特征提?。涸诰幋a器中，逐層提取圖像的特征。包括前列腺的形狀、邊界、紋理信息。

特征展平：在編碼器的最后階段，通常會有一個展平層（Flatten layer），將提取到的多維特征圖轉(zhuǎn)換為一維的特征向量。包含圖像中關(guān)鍵信息的壓縮表示，便于后續(xù)的分類或分割任務(wù)。

解碼與重構(gòu)：解碼器根據(jù)展平后的特征向量，通過反卷積等操作，嘗試重構(gòu)出原始的圖像。有助于模型更好地理解和學(xué)習(xí)圖像中的結(jié)構(gòu)和特征。

圖像分割：在解碼器的輸出端，可以添加一個分割層（如全卷積層），用于對圖像進(jìn)行像素級別的分類或分割。

通過這個分割層，可以區(qū)分出前列腺區(qū)域和其他組織區(qū)域。

結(jié)果輸出：輸出分割后的前列腺TRUS圖像，其中前列腺區(qū)域被清晰地標(biāo)記出來。前列腺TRUS圖像分割結(jié)果如圖2所示。

二、實驗論證

為了驗證基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的前列腺TRUS圖像分割方法的有效性，進(jìn)行了對比實驗，設(shè)置文獻(xiàn)[1]和文獻(xiàn)[2]方法為對照組，對三種方法實驗結(jié)果進(jìn)行對比。

（一）實驗準(zhǔn)備

在基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的前列腺TRUS圖像分割方法對比實驗中，采用一組TRUS圖像數(shù)據(jù)集來驗證不同網(wǎng)絡(luò)結(jié)構(gòu)的性能。此次實驗共收集了6820張前列腺TRUS圖像，按照8：2的比例進(jìn)行劃分，其中5456張圖像作為訓(xùn)練集，剩余的1364張圖像作為測試集。為每張圖像準(zhǔn)備相應(yīng)的專家標(biāo)注圖像，以用于后續(xù)的分割性能評估。

考慮到前列腺TRUS圖像的特點，即前列腺的形態(tài)、大小以及位置在圖像中可能存在一定的變化，采用數(shù)據(jù)增強(qiáng)技術(shù)來豐富訓(xùn)練樣本的多樣性。除了水平、垂直翻轉(zhuǎn)外，增加旋轉(zhuǎn)、裁剪以及亮度、對比度調(diào)整。提升模型對圖像變化的魯棒性。

本次實驗環(huán)境配置編程語言為Python 3.8，所有程序均在Python環(huán)境中運行。為了確保實驗結(jié)果的公正性和可比性，所有對比實驗的配置均保持一致。

在網(wǎng)絡(luò)參數(shù)設(shè)置方面，調(diào)整輸入圖像的大小為512×512像素，以提供更豐富的細(xì)節(jié)信息給網(wǎng)絡(luò)。迭代次數(shù)（即訓(xùn)練輪數(shù)）設(shè)定為150次，以增加模型對數(shù)據(jù)的擬合程度。同時，Batch_size（即每批次處理的樣本數(shù)）設(shè)置為16，以加速訓(xùn)練過程并減少訓(xùn)練時間。初始學(xué)習(xí)率（即模型訓(xùn)練初期的步長）設(shè)置為0.001，以在訓(xùn)練初期給予模型較大的更新幅度。

實驗過程中，分別對文獻(xiàn)方法[1]（傳統(tǒng)方法1）文獻(xiàn)方法[2]（傳統(tǒng)方法2）和本文方法進(jìn)行訓(xùn)練，并在相同的測試集上進(jìn)行性能評估。通過對比不同模型在前列腺TRUS圖像分割任務(wù)上的召回率指標(biāo)，分析不同方法的分割效果。

本實驗使用召回率作為前列腺TRUS圖像分割方法的評估指標(biāo)，評價指標(biāo)的具體定義如下：

其中，TP為被正確分割的像素個數(shù)，稱為真陽性，F(xiàn)N為被錯誤分割為背景區(qū)域的像素個數(shù)，稱為假陰性。

表1顯示了三種分割方法召回率結(jié)果。

（二）對比實驗

從實驗結(jié)果可以看出，本文設(shè)計方法在召回率上表現(xiàn)最好，平均達(dá)到了92.4%。實驗結(jié)果表明本文能夠更準(zhǔn)確地識別并分割出前列腺區(qū)域，減少了將前列腺像素錯誤分割為背景區(qū)域的情況。

結(jié)束語

本文詳細(xì)介紹了基于自編碼卷積神經(jīng)網(wǎng)絡(luò)的前列腺TRUS圖像分割方法，旨在提高前列腺疾病的診斷精度和效率。通過引入自編碼器的結(jié)構(gòu)，實現(xiàn)對前列腺TRUS圖像特征的自動提取和編碼，從而提升了分割算法的泛化能力。優(yōu)化后的網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)使得算法在處理圖像的細(xì)節(jié)和邊緣信息時更為出色，進(jìn)一步提高了分割的精度。