SE-Mask-RCNN:多参数MRI前列腺癌分割方法

作     者：黄毅鹏 胡冀苏 钱旭升 周志勇 赵文露 马麒 沈钧康 戴亚康 HUANG Yi-peng;HU Ji-su;QIAN Xu-sheng;ZHOU Zhi-yong;ZHAO Wen-lu;MA Qi;SHEN Jun-kang;DAI Ya-kang

作者机构：中国科学技术大学生物医学工程学院(苏州)江苏苏州215163 中国科学院苏州生物医学工程技术研究所江苏苏州215163 苏州大学附属第二医院江苏苏州215000 

出 版 物：《浙江大学学报（工学版）》 (Journal of Zhejiang University：Engineering Science)

年 卷 期：2021年第55卷第1期

页      面：203-212页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 08[工学] 0836[工学-生物工程] 

基　　金：国家重点研发计划资助项目(2018YFA0703101) 江苏省重点研发计划资助项目(BE2017663) 苏州市科技计划资助项目(SS2019012,SS201855,SZS201818,SYS2018010,SS201854) 丽水市重点研发计划资助项目(2019ZDYF17) 

主　　题：前列腺癌 深度学习 挤压与激励块(SE-block) Mask-RCNN 多参数磁共振成像(mp-MRI) 

摘      要：为了从多参数磁共振(mp-MRI)的前列腺区域中自动提取前列腺癌病灶区域,提出新的深度卷积神经网络模型SE-Mask-RCNN.在特征图上搜索定位包含病灶的候选区域,基于候选区域实现病灶的精细分割.为了利用mp-MRI中的互补信息,通过2个并行卷积网络分别提取表观扩散系数(ADC)和T2加权(T2W)图像的特征图后进行融合,使用挤压与激励块自动提升融合特征图中的有效特征并抑制无效特征.在收集得到的140例数据上进行实验.结果表明,使用SE-Mask-RCNN得到前列腺癌病灶分割Dice系数为0.654,敏感度为0.695,特异度为0.970,阳性预测值为0.685.与U-net、V-net、Resnet50-U-net和Mask-RCNN等模型相比,SE-Mask-RCNN能够有效提升mp-MRI中前列腺癌病灶区域的分割精度.