本发明涉及图像处理技术领域，特别涉及一种前列腺超声图像分割方法及设备。
背景技术：
前列腺超声影像是前列腺疾病诊断的重要手段，可为临床医生了解病患前列腺情况提供重要依据。对前列腺进行超声检查主要有两种方式：经腹部超声检查和经直肠超声检查，经腹部超声检查是常规体检常用的方式，在需要对被检查者的前列腺做更清晰的检查时，会采用经直肠超声检查。
现在对于超声影像的诊断大多是基于医生的经验进行的，医生在对前列腺超声影像进行分割时通常会遇到以下几个难题：(1)斑点噪声对超声图像有干扰，导致分割困难；(2)在前列腺超声影像中，灰度或者纹理分布是不均匀的，有些部位灰度级较低，而另外一些部位灰度级较高，会影响常规分割方法的效果；(3)在超声影像中前列腺区域的外部，有些地方的灰度分布和前列腺区域内部的分布不一样，难以采用全聚类纹理或者灰度特征区别前列腺的内外部分；(4)超声伪影也会对前列腺分割产生严重的影响。这些问题都会影响医生的诊断，无法对前列腺超声影像进行精确分割，进而降低诊断效率。
技术实现要素：
本发明提供一种前列腺超声图像分割方法，通过计算机辅助分析前列腺超声影像，从而实现对前列腺超声影像的精确分割，降低医生的工作量，进而提高医生的诊断效率。
根据本发明的一个方面，提供了一种前列腺超声图像分割方法，包括以下步骤：建立深度学习网络模型；将待分割的前列腺超声图像输入至深度学习网络模型中；输出分割完成的前列腺超声图像。
优选地，建立深度学习网络模型，包括以下步骤：获取多个被检查者的前列腺超声图像的原始横切面图像；识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；其中，上述分割边界线是封闭的；调取深度学习神经网络；将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练；根据上述训练的训练结果，建立深度学习网络模型。
优选地，识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线之后，该方法还包括以下步骤：对多个分割边界线进行着色，得到多个着色横切面图像。
优选地，根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练，包括以下步骤：根据多个原始横切面图像与多个分割边界线，获取多个原始前列腺分割图像；对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像；对多个前列腺分割特征图像中的每一个前列腺分割特征图像都进行上采样处理，得到多个前列腺特征图像；其中，上述多个前列腺特征图像中的每一个前列腺特征图像的尺寸都与原始前列腺分割图像的尺寸相同；
根据上述训练的训练结果，建立深度学习网络模型，具体为：根据多个前列腺特征图像，建立深度学习网络模型。
优选地，对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像，包括以下步骤：对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行卷积操作，以提取出多个图像特征；将带有图像特征的原始前列腺分割图像确定为初始特征图像；对多个初始特征图像进行归一化处理，得到多个归一化后的初始特征图像；将多个归一化后的初始特征图像进行激活处理，得到多个激活后的初始特征图像；对多个激活后的初始特征图像进行下采样处理，得到多个特征图像；对多个特征图像进行池化压缩处理，得到多个前列腺分割特征图像。
根据本发明的另一个方面，还提供了一种前列腺超声图像分割设备，包括：模型建立单元，用于建立深度学习网络模型；输入单元，用于将待分割的前列腺超声图像输入至深度学习网络模型中；输出单元，用于输出分割完成的前列腺超声图像。
优选地，模型建立单元包括：获取子单元，用于获取多个被检查者的前列腺超声图像的原始横切面图像；识别子单元，用于识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；其中，上述分割边界线是封闭的；调取子单元，用于调取深度学习神经网络；输入子单元，用于将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；训练子单元，用于根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练；模型建立子单元，用于根据训练子单元训练的训练结果，建立深度学习网络模型。
优选地，模型建立单元还包括：着色子单元，用于在识别子单元识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线之后，对多个分割边界线进行着色，得到多个着色横切面图像。
优选地，训练子单元包括：获取模块，用于根据多个原始横切面图像与多个分割边界线，获取多个原始前列腺分割图像；编码模块，用于对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像；上采样处理模块，用于对多个前列腺分割特征图像中的每一个前列腺分割特征图像都进行上采样处理，得到多个前列腺特征图像；其中，上述多个前列腺特征图像中的每一个前列腺特征图像的尺寸都与原始前列腺分割图像的尺寸相同；
模型建立子单元，具体用于根据多个前列腺特征图像，建立深度学习网络模型。
优选地，编码模块包括：卷积子模块，用于对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行卷积操作，以提取出多个图像特征；确定子模块，用于将带有图像特征的原始前列腺分割图像确定为初始特征图像；归一化处理子模块，用于对多个初始特征图像进行归一化处理，得到多个归一化后的初始特征图像；激活处理子模块，用于将多个归一化后的初始特征图像进行激活处理，得到多个激活后的初始特征图像；下采样处理子模块，用于对多个激活后的初始特征图像进行下采样处理，得到多个特征图像；池化压缩子模块，用于对多个特征图像进行池化压缩处理，得到多个前列腺分割特征图像。
与现有技术相比较，本发明的有益效果如下：
通过本发明，借助计算机设备对大量的前列腺超声影像样本进行相应的处理，构建深度学习网络模型，将待分割的前列腺超声图像输入进深度学习网络模型中，就可以直接输出分割好的前列腺超声图像。通过计算机辅助分析处理待分割的前列腺超声影像，能够实现对前列腺超声影像的精确分割，降低医生的工作量，同时医生也能根据精准的前列腺分割图像快速准确的对前列腺超声影像进行诊断分析，有效的提高了医生的诊断效率。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。附图中：
图1是根据本发明实施例的一种前列腺超声图像分割方法的流程图；
图2是根据本发明实施例的一种前列腺超声图像分割设备的结构框图；
图3是根据本发明实施例一的另一种前列腺超声图像分割方法的流程图；
图4是根据本发明实施例二的又一种前列腺超声图像分割方法的流程图；
图5是本发明实施例中深度学习神经网络的结构图。
具体实施方式
下面将结合本发明附图，对本发明技术方案进行描述，但所描述的实施例仅仅是本发明一部分实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种前列腺超声图像分割方法，图1是根据本发明实施例的一种前列腺超声图像分割方法的流程图，如图1所示，包括以下步骤：
步骤S101：分割设备建立深度学习网络模型；
步骤S102：分割设备将待分割的前列腺超声图像输入至深度学习网络模型中；
步骤S103：分割设备输出分割完成的前列腺超声图像。
在实施过程中，在步骤S101中，首先需要获取多个被检查者的前列腺超声图像的原始横切面图像；再识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；其中，上述分割边界线是封闭的；调取深度学习神经网络；将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练；根据上述训练的训练结果，建立深度学习网络模型。
进一步的，识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线之后，还可以对多个分割边界线进行着色，得到多个着色横切面图像。
进一步的，根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练的具体实施方式为：根据多个原始横切面图像与多个分割边界线，获取多个原始前列腺分割图像；对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像；对多个前列腺分割特征图像中的每一个前列腺分割特征图像都进行上采样处理，得到多个前列腺特征图像；其中，上述多个前列腺特征图像中的每一个前列腺特征图像的尺寸都与原始前列腺分割图像的尺寸相同；
根据上述训练的训练结果，建立深度学习网络模型，具体为：根据多个前列腺特征图像，建立深度学习网络模型。
进一步的，对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像的具体实施方式为：对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行卷积操作，以提取出多个图像特征；将带有图像特征的原始前列腺分割图像确定为初始特征图像；对多个初始特征图像进行归一化处理，得到多个归一化后的初始特征图像；将多个归一化后的初始特征图像进行激活处理，得到多个激活后的初始特征图像；对多个激活后的初始特征图像进行下采样处理，得到多个特征图像。对多个特征图像进行池化压缩处理，得到多个前列腺分割特征图像。
通过上述步骤，通过分析处理大量的前列腺超声图像，建立深度学习网络模型，只需要将待分割的前列腺超声图像输入进深度学习网络模型中就能够得到分割好的前列腺超声图像，这样使得前列腺超声图像达到精准分割，医生根据精准分割的前列腺超声图像可以实现对前列腺超声图像的快速准确的诊断，提升了医生的诊断效率。
本发明实施例还提供了一种前列腺超声图像分割设备20，用于实现上述一种前列腺超声图像分割方法。图2是根据本发明实施例的一种前列腺超声图像分割设备20的结构框图，如图2所示，该设备20包括：模型建立单元201，用于建立深度学习网络模型；输入单元202，用于将待分割的前列腺超声图像输入至深度学习网络模型中；输出单元203，用于输出分割完成的前列腺超声图像。
对于前列腺超声图像分割设备20，模型建立单元201包括：获取子单元2011，用于获取多个被检查者的前列腺超声图像的原始横切面图像；识别子单元2012，用于识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；其中，上述分割边界线是封闭的；调取子单元2013，用于调取深度学习神经网络；输入子单元2014，用于将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；训练子单元2015，用于根据多个原始横切面图像与多个分割边界线，对深度学习神经网络进行训练；模型建立子单元2016，用于根据训练子单元训练的训练结果，建立深度学习网络模型。
对于前列腺超声图像分割设备20，模型建立单元201还包括：着色子单元2017，用于在识别子单元2012识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线之后，对多个分割边界线进行着色，得到多个着色横切面图像。
对于前列腺超声图像分割设备20，训练子单元2015包括：获取模块20151，用于根据多个原始横切面图像与多个分割边界线，获取多个原始前列腺分割图像；编码模块20152，用于对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行编码处理，得到多个前列腺分割特征图像；上采样处理模块20153，用于对多个前列腺分割特征图像中的每一个前列腺分割特征图像都进行上采样处理，得到多个前列腺特征图像；其中，上述多个前列腺特征图像中的每一个前列腺特征图像的尺寸都与原始前列腺分割图像的尺寸相同；
模型建立子单元2016，具体用于根据多个前列腺特征图像，建立深度学习网络模型。
对于前列腺超声图像分割设备20，编码模块20152包括：卷积子模块201521，用于对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行卷积操作，以提取出多个图像特征；确定子模块201522，用于将带有图像特征的原始前列腺分割图像确定为初始特征图像；归一化处理子模块201523，用于对多个初始特征图像进行归一化处理，得到多个归一化后的初始特征图像；激活处理子模块201524，用于将多个归一化后的初始特征图像进行激活处理，得到多个激活后的初始特征图像；下采样处理子模块201525，用于对多个激活后的初始特征图像进行下采样处理，得到多个特征图像。池化压缩子模块201526，用于对多个特征图像进行池化压缩处理，得到多个前列腺分割特征图像。
需要说明的是，装置实施例中描述的前列腺超声图像分割设备对应于上述的方法实施例，其具体的实现过程在方法实施例中已经进行过详细说明，在此不再赘述。
为了使本发明的技术方案和实现方法更加清楚，下面将结合优选的实施例对其实现过程进行详细描述。
实施例一
本实施例提供一种前列腺超声图像分割方法，如图3所示，图3是根据本发明实施例一的另一种前列腺超声图像分割方法的使用流程图，包括以下步骤：
步骤S301：分割设备获取多个被检查者的前列腺超声图像的原始横切面图像；
本发明实施例中，上述分割设备可以为计算机，上述被检查者的前列腺超声图像的原始横切面图像可以在医院的病历数据库中找到，需要将大量的被检查者的前列腺超声图像的原始横切面图像的数据输入进分割设备中，以便工作人员可以通过分割设备上的绘图软件对原始横切面图像中的前列腺进行标定；
步骤S302：分割设备识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；
本发明实施例中，上述分割边界线是封闭的；封闭的分割边界线就是前列腺的轮廓；
可选的，上述工作人员为具有前列腺超声图像诊断经验的医生，这样才能在前列腺超声图像中较为准确的标定出前列腺的分割线，才能使建立的深度学习网络模型更加标准；工作人员需要利用分割设备上的绘图工具将输入进分割设备的所有原始横切面图像都标定上前列腺的分割线，形成大量的前列腺分割图像样本，以使分割设备根据上述大量的前列腺分割图像样本建立更加标准的深度学习网络模型，精准的对待分割的前列腺超声图像进行分割；
步骤S303：分割设备对多个分割边界线进行着色，得到多个着色横切面图像；
可选的，分割设备在识别完工作人员标定好分割线的前列腺分割图像样本之后，对工作人员标定的分割线进行着色，以便工作人员清楚的看出标定的分割线是否有不标准的地方，以便工作人员及时的进行修改，具体的，分割设备可以将分割线用红色进行标记，也可以用蓝色进行标记，还可以用绿色进行标记，只要能够使工作人员清楚的分辨出分割线的颜色都可以用来标记分割线；
步骤S304：分割设备调取深度学习神经网络；
可选的，上述深度学习神经网络存储在分割设备中，并且该深度学习神经网络包括16个卷积层、5个最大化池化层、2个归一化层、4个上采样层，如图5所示，通过该深度学习神经网络可以对上述经工作人员标定分割线的前列腺分割图像样本进行一系列的分析处理，以得到用于分割前列腺超声图像的深度学习网络模型；
步骤S305：分割设备将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；
步骤S306：根据多个原始横切面图像与多个分割边界线，分割设备对深度学习神经网络进行训练；
可选的，分割设备对深度学习神经网络进行训练的训练过程可以分为两个阶段，分别是编码阶段和解码阶段；其中，编码阶段包括从输入到全卷积层的全过程，在编码阶段中，分割设备对大量的前列腺分割图像样本逐个进行卷积操作，通过卷积操作逐层的抽象提取前列腺分割图像样本的图像特征，从大量的前列腺分割图像样本中抽取的图像特征可以有相同的，但是分割设备会对抽取的所有图像特征进行筛选，只保存互不相同的图像特征，并将带有图像特征的前列腺分割图像作为初始特征图像，对初始特征图像进行一系列的处理之后得到特征图像，经过最大化池化层对特征图像进行压缩处理，使得特征图像的尺寸逐渐缩小，最终生成多个前列腺分割特征图像；
具体的，对初始特征图像进行一系列的处理得到特征图像的具体实施方式为：对初始特征图像进行归一化处理，归一化处理的模型为μ为特征的均值，σ为特征的方差，ε为常量；再对归一化处理之后的初始特征图像进行激活处理，激活公式为f(x)＝max(0,x)；通过最大化池化层对激活处理之后的初始特征图像进行下采样处理，得到特征图像；
可选的，解码阶段包括从全卷积层到输出分割结果的全过程，在解码阶段中，通过多层上采样处理使得多个前列腺分割特征图像的尺寸恢复成前列腺分割图像样本的尺寸；
步骤S307：分割设备根据上述训练的训练结果，建立深度学习网络模型；
本发明实施例中，分割设备将所有的前列腺分割图像样本都经过深度学习神经网络进行了处理，这就相当于是对深度学习神经网络进行了训练，通过训练深度学习神经网络处理大量的前列腺分割图像样本能够使分割设备建立起深度学习网络模型，为待分割的前列腺超声图像的分割提供了简单便捷的分割工具，也为医生诊断被检查者的前列腺超声图像提供了有力的依据，提高了医生的诊断效率；
步骤S308：分割设备将待分割的前列腺超声图像输入至深度学习网络模型中；
本发明实施例中，一旦通过训练前列腺分割图像样本建立起深度学习网络模型，就可以将该深度学习网络模型作为分割前列腺超声图像的标准工具，当有被检查者的前列腺超声图像需要进行分割时，只需要将待分割的前列腺超声图像输入进深度学习网络模型中就可以直接输出分割好的前列腺超声图像了，与传统的医生手工分割前列腺超声图像相比较，通过深度学习网络模型分割前列腺超声图像极大地提高了分割效率，也能够及时为医生诊断前列腺超声图像提供依据，提高了医生的诊断效率；
步骤S309：分割设备输出分割完成的前列腺超声图像。
实施例二
本实施例提供一种前列腺超声图像分割方法，如图4所示，图4是根据本发明实施例二的又一种前列腺超声图像分割方法的使用流程图，包括以下步骤：
步骤S401：分割设备获取多个被检查者的前列腺超声图像的原始横切面图像；
本发明实施例中，上述分割设备可以为计算机，上述被检查者的前列腺超声图像的原始横切面图像可以在医院的病历数据库中找到，需要将大量的被检查者的前列腺超声图像的原始横切面图像的数据输入进分割设备中，以便工作人员可以通过分割设备上的绘图软件对原始横切面图像中的前列腺进行标定；
步骤S402：分割设备识别工作人员在多个原始横切面图像中的每一个原始横切面图像中手工标定的前列腺的分割边界线；
本发明实施例中，上述分割边界线是封闭的；封闭的分割边界线就是前列腺的轮廓；
可选的，上述工作人员为具有前列腺超声图像诊断经验的医生，这样才能在前列腺超声图像中较为准确的标定出前列腺的分割线，才能使建立的深度学习网络模型更加标准；工作人员需要利用分割设备上的绘图工具将输入进分割设备的所有原始横切面图像都标定上前列腺的分割线，形成大量的前列腺分割图像样本，以使分割设备根据上述大量的前列腺分割图像样本建立更加标准的深度学习网络模型，精准的对待分割的前列腺超声图像进行分割；
步骤S403：分割设备对多个分割边界线进行着色，得到多个着色横切面图像；
可选的，分割设备在识别完工作人员标定好分割线的前列腺分割图像样本之后，对工作人员标定的分割线进行着色，以便工作人员清楚的看出标定的分割线是否有不标准的地方，以便工作人员及时的进行修改，具体的，分割设备可以将分割线用红色进行标记，也可以用蓝色进行标记，还可以用绿色进行标记，只要能够使工作人员清楚的分辨出分割线的颜色都可以用来标记分割线；
步骤S404：分割设备调取深度学习神经网络；
可选的，上述深度学习神经网络存储在分割设备中，并且该深度学习神经网络包括16个卷积层、5个最大化池化层、2个归一化层、4个上采样层，如图5所示，通过该深度学习神经网络可以对上述经工作人员标定分割线的前列腺分割图像样本进行一系列的分析处理，以得到用于分割前列腺超声图像的深度学习网络模型；
步骤S405：分割设备将多个原始横切面图像与多个分割边界线输入深度学习神经网络中；
步骤S406：分割设备根据多个原始横切面图像与多个分割边界线，获取多个原始前列腺分割图像；
步骤S407：分割设备对多个原始前列腺分割图像中的每一个原始前列腺分割图像都进行卷积操作，以提取出多个图像特征；
步骤S408：分割设备将带有图像特征的原始前列腺分割图像确定为初始特征图像；
步骤S409：分割设备对多个初始特征图像进行归一化处理，得到多个归一化后的初始特征图像；
本发明实施例中，上述归一化处理的模型为μ为特征的均值，σ为特征的方差，ε为常量；
步骤S410：分割设备将多个归一化后的初始特征图像进行激活处理，得到多个激活后的初始特征图像；
本发明实施例中，上述激活处理的激活公式为f(x)＝max(0,x)；
步骤S411：分割设备对多个激活后的初始特征图像进行下采样处理，得到多个特征图像；
步骤S412：分割设备对多个特征图像进行池化压缩处理，得到多个前列腺分割特征图像；
步骤S413：分割设备对多个前列腺分割特征图像中的每一个前列腺分割特征图像都进行上采样处理，得到多个前列腺特征图像；
本发明实施例中，上述多个前列腺特征图像中的每一个前列腺特征图像的尺寸都与原始前列腺分割图像的尺寸相同；
步骤S414：分割设备根据多个前列腺特征图像，建立深度学习网络模型；
本发明实施例中，分割设备将所有的前列腺分割图像样本都经过深度学习神经网络进行了处理，最终得到多个前列腺特征图像，这就相当于是对深度学习神经网络进行了训练，通过训练深度学习神经网络处理大量的前列腺分割图像样本能够使分割设备建立起深度学习网络模型，为待分割的前列腺超声图像的分割提供了简单便捷的分割工具，也为医生诊断被检查者的前列腺超声图像提供了有力的依据，提高了医生的诊断效率；
步骤S415：分割设备将待分割的前列腺超声图像输入至深度学习网络模型中；
本发明实施例中，一旦通过训练前列腺分割图像样本建立起深度学习网络模型，就可以将该深度学习网络模型作为分割前列腺超声图像的标准工具，当有被检查者的前列腺超声图像需要进行分割时，只需要将待分割的前列腺超声图像输入进深度学习网络模型中就可以直接输出分割好的前列腺超声图像了，与传统的医生手工分割前列腺超声图像相比较，通过深度学习网络模型分割前列腺超声图像极大地提高了分割效率，也能够及时为医生诊断前列腺超声图像提供依据，提高了医生的诊断效率；
步骤S416：分割设备输出分割完成的前列腺超声图像。
综合上述，通过上述实施例，借助计算机设备对大量的前列腺超声影像样本进行相应的处理，也就是对深度学习神经网络进行训练，最终建立深度学习网络模型，当需要分割前列腺超声图像时只需要将待分割的前列腺超声图像输入进深度学习网络模型中，就可以直接输出分割好的前列腺超声图像。通过深度学习网络模型分割前列腺超声影像能够快速并精准的达到分割目的，这样就极大地提高了分割效率，能够及时的为医生提供诊断依据，有效的提高了医生的诊断效率。