多参数磁共振图像中前列腺癌的处理方法及相关设备

1.本发明涉及医学影像分割领域，尤其涉及一种多参数磁共振图像中前列腺癌的处理方法及相关设备。


背景技术：

2.前列腺癌(prostate cancer，pca)是一种发生于男性前列腺的恶性肿瘤。mri技术可以提供不同对比度(即模态)的图像，是一种非侵入、性能良好的软组织对比成像方式。mri影像可提供器官和病灶的形状、大小、位置等信息，在疾病分析和诊断中起着关键作用。前列腺成像报告和数据系统(prostate imaging-reporting and data system,pi-rads)是一种结构化报告方案，用于多参数前列腺mri，以评估未接受治疗的前列腺中的疑似前列腺癌症。
3.多模态医学影像相比单模态医学影像，可从多个层面提供病灶区域及其周围区域的更多信息，从不同角度显示病灶特征，是近年患者进行肿瘤诊断的重要手段。但是多模态医学影像中病灶的检测、分割及诊断对医生的技术要求较高，耗时耗力。利用深度学习技术对多模态医学影像中的病灶进行自动检测、分割和诊断，可减轻医生的工作负担，加快诊断速度，是近年医学影像分割领域的研究热点。但是现有技术中存在多模态医学影像特征提取和融合困难，以及缺乏能够同时执行检测、分割及诊断的模型。
4.因此，亟需一种新的医学影像处理方法来为病灶进行全自动检测、分割及分类，为医生提供帮助。


技术实现要素：

5.本发明针对现有技术中的不足，旨在提供一种能够高效提取多模态医学影像特征并融合，以及能够同时进行全自动检测、分割以及分类的多参数磁共振图像中前列腺癌的处理方法及相关设备。
6.第一方面，本发明提供一种多参数磁共振图像中前列腺癌的处理方法，包括以下步骤：
7.获取包含前列腺区域的多参数磁共振图像序列，所述多参数磁共振图像序列包括表观弥散系数图像序列、弥散加权图像序列以及t2加权图像序列；
8.对所述多参数磁共振图像序列进行预处理，所述预处理包括将所述多参数磁共振图像序列中不同图像序列的图像裁切成相同大小并进行强度归一化，再将所述表观弥散系数图像序列和所述弥散加权图像序列配准到所述t2加权图像序列中；
9.基于预设特征提取网络模型分别提取所述表观弥散系数图像序列、所述弥散加权图像序列以及所述t2加权图像序列中的不同层级特征图，分别得到表观弥散系数特征图、弥散加权特征图以及t2加权特征图；
10.将所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到前列腺分割掩膜、中央带腺体分割掩膜以及外周带分割掩膜；串联所述表观弥散系数特征图、所
述弥散加权特征图、所述t2加权特征图、所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜，构成串联特征图；
11.对所述串联特征图通过注意力机制进行处理，得到融合特征图；
12.对所述融合特征图通过预设检测网络架构同时进行评估分类、病变检测以及病变分割，得到最终的检测结果。
13.优选的，所述预设特征提取网络模型包括卷积注意力模块、第一语义分割网络以及第二语义分割网络，所述卷积注意力模块包括通道注意力模块和空间注意力模块。
14.优选的，所述卷积注意力模块满足下列关系式：
[0015][0016][0017]
其中，表示逐元素乘法，f"表示最终的细化输出，mc表示通道注意力，ms表示空间注意力，f表示通道注意力的输入，f’表示通道注意力的输出。
[0018]
优选的，所述通道注意力模块满足下列关系式：
[0019][0020]
其中，σ表示sigmoid激活函数，表示w0是一个c/r
×
c的矩阵，表示w1是一个c
×
c/r的矩阵，avgpool表示平均池化层，maxpool表示最大池化层，mlp表示多层感知器，表示avgpool(f)的计算结果，表示maxpool(f)的计算结果。
[0021]
优选的，所述空间注意力模块满足下列关系式：
[0022][0023]
其中，f7×7表示核大小为7
×
7的卷积。
[0024]
优选的，所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜的处理过程包括：
[0025]
将所述t2加权图像序列作为所述预设特征提取网络模型中所述第一语义分割网络的输入，得到所述前列腺分割掩膜；
[0026]
将所述t2加权图像序列以及所述前列腺分割掩膜作为所述预设特征提取网络模型中所述第二语义分割网络的输入，得到中央带腺体分割掩膜；
[0027]
通过从所述前列腺分割掩膜减去所述中央带腺体分割掩膜来计算得到所述外周带分割掩膜。
[0028]
优选的，所述注意力机制采用ecanet。
[0029]
优选的，所述预设检测网络架构为retina u-net。
[0030]
第二方面，本发明还提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多参数磁共振图像中前列腺癌的处理程序，所述处理器
执行所述多参数磁共振图像中前列腺癌的处理程序时实现如权利要求1至8中任意一项所述的多参数磁共振图像中前列腺癌的处理方法中的步骤。
[0031]
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有多参数磁共振图像中前列腺癌的处理程序，所述多参数磁共振图像中前列腺癌的处理程序被处理器执行时实现如权利要求1至8中任意一项所述的多参数磁共振图像中前列腺癌的处理方法中的步骤。
[0032]
与现有技术相比，本发明提供的多参数磁共振图像中前列腺癌的处理方法及相关设备能够对多参数磁共振图像序列中不同图像序列的图像进行裁剪、强度归一化和配准；针对多参数磁共振图像序列中不同图像序列的特征提取和融合困难的问题，采用卷积注意力模块提取不同序列图像的若干不同层级特征图，再采用ecanet注意力机制融合提取的特征图以及分割掩膜；将前列腺区域分割掩膜、中央带腺体分割掩膜、外周带分割掩膜融入特征融合模块，提升后续对前列腺癌的分类能力、检测能力以及分割能力；采用注意力机制实现特征提取和特征融合，预设特征提取网络模型在训练过程中能够自动学习到合适的特征提取和特征融合参数；采用retina u-net架构，同时完成全自动检测、分割及分类的任务，提升了推理速度，并且多个任务共享一个架构，关联任务通过共享信息，相互补充，提升彼此的表观。
附图说明
[0033]
下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：
[0034]
图1是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的流程框图；
[0035]
图2是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的技术方案流程图；
[0036]
图3是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的卷积注意力模块结构图；
[0037]
图4是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的通道注意力模块结构图；
[0038]
图5是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的空间注意力模块结构图；
[0039]
图6是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的ecanet结构图；
[0040]
图7是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理方法的retina u-net结构图；
[0041]
图8是本发明实施例提供的一种多参数磁共振图像中前列腺癌的处理计算机设备示意图。
具体实施方式
[0042]
在此记载的具体实施方式/实施例为本发明的特定的具体实施方式，用于说明本
发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本技术权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。
[0043]
下面结合附图详细说明本发明的具体实施方式。
[0044]
(实施例一)
[0045]
请参照图1-图7所示，本发明提供了一种多参数磁共振图像中前列腺癌的处理方法，包括以下步骤：
[0046]
s101、获取包含前列腺区域的多参数磁共振图像序列，所述多参数磁共振图像序列包括表观弥散系数图像序列、弥散加权图像序列以及t2加权图像序列。
[0047]
在本发明实施例中，所述多参数磁共振图像mpmri(multiparametric magnetic resonance imaging)序列包括表观弥散系数图像adc(apparent diffusion coefficient)序列，弥散加权图像dwi(diffusion weighted imaging)序列，t2加权图像t2w(t2 weighted image)序列。具体的，所述表观弥散系数图像adc序列用于描述所述弥散加权图像序列中不同方向的分子扩散运动的速度和范围；所述弥散加权图像dwi序列能够反映组织和病变内水分子弥散运动及受限程度；所述t2加权图像t2w序列可以清楚的看到病灶所处位置、大小。
[0048]
s102、对所述多参数磁共振图像序列进行预处理，所述预处理包括将所述多参数磁共振图像序列中不同图像序列的图像裁切成相同大小并进行强度归一化，再将所述表观弥散系数图像序列和所述弥散加权图像序列配准到所述t2加权图像序列中；
[0049]
在本发明实施例中，将所述多参数磁共振图像中的所有图像裁剪成大小为160
×
160
×
24体素、间距为(0.5,0.5,3)mm的前列腺周围区域，其中所有图像插值均采用三阶b样条插值；对裁剪后的图像的每个通道强度归一化；再将所述表观弥散系数图像序列和所述弥散加权图像序列配准到所述t2加权图像序列中。具体的，利用python库simpletk在所述t2加权图像序列的空间梯度与所述表观弥散系数图像序列之间进行非刚性配准(基于b样条变换)，以mattes mutual information作为损失函数，以梯度下降作为b样条参数的优化。
[0050]
s103、基于预设特征提取网络模型分别提取所述表观弥散系数图像序列、所述弥散加权图像序列以及所述t2加权图像序列中的不同层级特征图，分别得到表观弥散系数特征图、弥散加权特征图以及t2加权特征图；
[0051]
在本发明实施例中，具体的，预设特征提取网络模型采用cbam(convolutional block attention module)，cbam是轻量级的卷积注意力模块。所述卷积注意力模块cbam包括了通道注意力模块cam(channel attention module)和空间注意力模块sam(spartial attention module)两个子模块，分别进行通道和空间上的注意力机制。输入特征会先通过一个通道注意力模块，得到加权结果之后，会再经过一个空间注意力模块，最终进行加权得到结果。整体的注意力机制可以概括为：
[0052][0053]
[0054]
其中，表示逐元素乘法，f
″
表示最终的细化输出，mc表示通道注意力，ms表示空间注意力，f表示通道注意力的输入，f’表示通道注意力的输出。
[0055]
所述通道注意力模块关注输入特征中有意义的信息，将输入的上述特征图经过两个并行的最大池化层和平均池化层，将上述特征图从c
×h×
w变为c
×1×
1的大小，然后经过share mlp模块，在该模块中，它先将通道数压缩为原来的1/r(reduction，减少率)倍，再扩张到原通道数，经过relu激活函数得到两个激活后的结果。将这两个输出结果进行逐元素相加，再通过一个sigmoid激活函数得到通道注意力模块的输出结果，再将这个输出结果乘原图，变回c
×h×
w的大小。所述通道注意力模块满足下列关系式：
[0056][0057]
其中，σ表示sigmoid激活函数，表示w0是一个c/r
×
c的矩阵，表示w1是一个c
×
c/r的矩阵，avgpool表示平均池化层，maxpool表示最大池化层，mlp表示多层感知器，表示avgpool(f)的计算结果，表示maxpool(f)的计算结果。
[0058]
所述空间注意力模块关注的是目标的位置信息，将通道注意力模块的输出结果通过最大池化和平均池化得到两个1
×h×
w的上述特征图，然后经过concat操作对两个上述特征图进行拼接，通过7
×
7卷积变为1通道的特征图，再经过一个sigmoi d函数得到空间注意力的特征图，最后将输出结果乘原图变回c
×h×
w大小得到表观弥散系数特征图、弥散加权特征图以及加权特征图。所述空间注意力模块满足下列关系式：
[0059][0060]
其中，f7×7表示核大小为7
×
7的卷积。
[0061]
s104、将所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到前列腺分割掩膜、中央带腺体分割掩膜以及外周带分割掩膜；串联所述表观弥散系数特征图、所述弥散加权特征图、所述t2加权特征图、所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜，构成串联特征图；
[0062]
在本发明实施例中，在步骤s103提取图像序列中不同层级特征图的同时，基于所述预设特征提取网络模型中预先训练的第一语义分割网络u-net，t2加权图像序列作为所述第一语义分割网络u-net的输入，得到前列腺分割掩膜(prostate segmentation mask)；再基于所述预设特征提取网络模型中预先训练的第二语义分割网络u-net，所述t2加权图像序列和所述前列腺分割掩膜作为所述第二语义分割网络u-net的输入，得到中央带腺体分割掩膜(cg segmentation mask)；再从所述前列腺分割掩膜中减去所述中央带腺体分割掩膜，得到外周带分割掩膜(pz segmentation mask)。最后，通过串联表观弥散系数特征图、弥散加权特征图、t2加权特征图、前列腺分割掩膜、中央带腺体分割掩膜和外周带分割掩膜构成串联特征图。将前列腺区域分割掩膜、中央带腺体分割掩膜以及外周带分割掩膜串联，提升了后续步骤对前列腺癌分类能力、检测能力和分割能力。
[0063]
s105、对所述串联特征图通过注意力机制进行处理，得到融合特征图；
[0064]
在本发明实施例中，所述注意力机制采用ecanet(efficient channel attention)。ecanet是一种通道注意力机制，将输入特征图经过全局平均池化，特征图大小从c
×h×
w变为c
×1×
1，再计算得到自适应的一位卷积核大小并应用于一维卷积中，得到对于特征图的每个通道的权重，再将归一化的权重和原输入特征图逐通道相乘，生成加权后的融合特征图。
[0065]
s106、对所述融合特征图通过预设检测网络架构同时进行评估分类、病变检测以及病变分割，得到最终的检测结果。
[0066]
在本发明实施例中，所述评估分类采用前列腺成像报告和数据系统(prostate imaging-reporting and data system,pi-rads)，前列腺成像报告和数据系统是一种结构化报告方案，用于评估未接受治疗的前列腺中的疑似前列腺癌症。所述预设检测网络架构为retina u-net，所述retina u-net架构将retina net检测器与u-net分割网络相结合。其中，retina net是一个基于fpn的、简单的one-stage的检测网络。如图7所示，其中两个子网络分别在金字塔等级p3-p6上进行分类和边界框回归。金字塔等级pj表示第j个解码器级别的特征映射，其中j随着分辨率的降低而增加。由于考虑到医学图像中小对象的存在，retina u-net架构将子网路操作的金字塔级别转移到p2-p5。此外，retina u-net中的fpn中又增加了两个高分辨率金字塔级别，从而产生了最终的分割层，使扩张的fpn架构与u-net非常相似。因此，病变的分割独立于检测，这大大简化了结构。
[0067]
与现有技术相比，本发明提供的多参数磁共振图像中前列腺癌的处理方法及相关设备能够对多参数磁共振图像序列中不同图像序列的图像进行裁剪、强度归一化和配准；针对多参数磁共振图像序列中不同图像序列的特征提取和融合困难的问题，采用卷积注意力模块提取不同序列图像的若干不同层级特征图，再采用ecanet注意力机制融合提取的特征图以及分割掩膜；将前列腺区域分割掩膜、中央带腺体分割掩膜、外周带分割掩膜融入特征融合模块，提升后续对前列腺癌的分类能力、检测能力以及分割能力；采用注意力机制实现特征提取和特征融合，预设特征提取网络模型在训练过程中能够自动学习到合适的特征提取和特征融合参数；采用retina u-net架构，同时完成全自动检测、分割及分类的任务，提升了推理速度，并且多个任务共享一个架构，关联任务通过共享信息，相互补充，提升彼此的表现。
[0068]
(实施例二)
[0069]
本发明实施例还提供一种计算机设备，请参照图8，图8是本发明实施例提供的计算机设备的结构示意图，所述计算机设备200包括：存储器202、处理器201及存储在所述存储器202上并可在所述处理器201上运行的计算机程序。
[0070]
所述处理器201调用所述存储器202存储的计算机程序，执行本发明实施例提供的多参数磁共振图像中前列腺癌的处理方法中的步骤，请结合图1，具体包括以下步骤：
[0071]
s101、获取包含前列腺区域的多参数磁共振图像序列，所述多参数磁共振图像序列包括表观表观弥散系数图像序列、弥散加权图像序列以及t2加权图像序列；
[0072]
s102、对所述多参数磁共振图像序列进行预处理，所述预处理包括将所述多参数磁共振图像序列中不同图像序列中的图像裁切成相同大小并进行强度归一化，再将所述表观弥散系数图像序列和所述弥散加权图像序列配准到所述t2加权图像序列中；
[0073]
s103、基于预设特征提取网络模型分别提取所述表观弥散系数图像序列、所述弥散加权图像序列以及所述t2加权图像序列中不同层级特征图，分别得到表观弥散系数特征图、弥散加权特征图以及t2加权特征图；
[0074]
s104、将所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到前列腺分割掩膜、中央带腺体分割掩膜以及外周带分割掩膜，串联所述表观弥散系数特征图、所述弥散加权特征图、所述t2加权特征图、所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜构成串联特征图；
[0075]
s105、对所述串联特征图通过注意力机制进行处理，得到融合特征图；
[0076]
s106、对所述融合特征图通过预设检测网络架构同时进行评估分类、病变检测以及病变分割，得到最终的检测结果。
[0077]
本发明实施例提供的计算机设备200能够实现如上述实施例中的多参数磁共振图像中前列腺癌的处理方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
[0078]
(实施例三)
[0079]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有多参数磁共振图像中前列腺癌的处理程序，该多参数磁共振图像中前列腺癌的处理程序被处理器执行时实现本发明实施例提供的多参数磁共振图像中前列腺癌的处理方法中的各个过程及步骤，且能实现相同的技术效果，为避免重复，这里不再赘述。
[0080]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。
[0081]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0082]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0083]
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

技术特征：
1.一种多参数磁共振图像中前列腺癌的处理方法，其特征在于，包括以下步骤：获取包含前列腺区域的多参数磁共振图像序列，所述多参数磁共振图像序列包括表观弥散系数图像序列、弥散加权图像序列以及t2加权图像序列；对所述多参数磁共振图像序列进行预处理，所述预处理包括将所述多参数磁共振图像序列中不同图像序列的图像裁切成相同大小并进行强度归一化，再将所述表观弥散系数图像序列和所述弥散加权图像序列配准到所述t2加权图像序列中；基于预设特征提取网络模型分别提取所述表观弥散系数图像序列、所述弥散加权图像序列以及所述t2加权图像序列中的不同层级特征图，分别得到表观弥散系数特征图、弥散加权特征图以及t2加权特征图；将所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到前列腺分割掩膜、中央带腺体分割掩膜以及外周带分割掩膜；串联所述表观弥散系数特征图、所述弥散加权特征图、所述t2加权特征图、所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜，构成串联特征图；对所述串联特征图通过注意力机制进行处理，得到融合特征图；对所述融合特征图通过预设检测网络架构同时进行评估分类、病变检测以及病变分割，得到最终的检测结果。2.如权利要求1所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述预设特征提取网络模型包括卷积注意力模块、第一语义分割网络以及第二语义分割网络，所述卷积注意力模块包括通道注意力模块和空间注意力模块。3.如权利要求2所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述卷积注意力模块满足下列关系式：积注意力模块满足下列关系式：其中，表示逐元素乘法，f
″
表示最终的细化输出，m
c
表示通道注意力，m
s
表示空间注意力，f表示通道注意力的输入，f’表示通道注意力的输出。4.如权利要求3所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述通道注意力模块满足下列关系式：其中，σ表示sigmoid激活函数，表示w0是一个c/r
×
c的矩阵，表示w1是一个c
×
c/r的矩阵，avgpool表示平均池化层，maxpool表示最大池化层，mlp表示多层感知器，表示avgpool(f)的计算结果，表示maxpool(f)的计算结果。5.如权利要求4所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述空间注意力模块满足下列关系式：
其中，f7×7表示核大小为7
×
7的卷积。6.如权利要求2所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述t2加权图像序列作为所述预设特征提取网络模型的输入，经处理得到所述前列腺分割掩膜、所述中央带腺体分割掩膜以及所述外周带分割掩膜的处理过程包括：将所述t2加权图像序列作为所述预设特征提取网络模型中所述第一语义分割网络的输入，得到所述前列腺分割掩膜；将所述t2加权图像序列以及所述前列腺分割掩膜作为所述预设特征提取网络模型中所述第二语义分割网络的输入，得到中央带腺体分割掩膜；通过从所述前列腺分割掩膜减去所述中央带腺体分割掩膜来计算得到所述外周带分割掩膜。7.如权利要求1所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述注意力机制采用ecanet。8.如权利要求1所述的多参数磁共振图像中前列腺癌的处理方法，其特征在于，所述预设检测网络架构为retina u-net。9.一种计算机设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的多参数磁共振图像中前列腺癌的处理程序，所述处理器执行所述多参数磁共振图像中前列腺癌的处理程序时实现如权利要求1至8中任意一项所述的多参数磁共振图像中前列腺癌的处理方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有多参数磁共振图像中前列腺癌的处理程序，所述多参数磁共振图像中前列腺癌的处理程序被处理器执行时实现如权利要求1至8中任意一项所述的多参数磁共振图像中前列腺癌的处理方法中的步骤。

技术总结
一种多参数磁共振图像中前列腺癌的处理方法及相关设备。与现有技术相比，本发明提供的多参数磁共振图像中前列腺癌的处理方法及相关设备能够对多参数磁共振图像序列中不同图像序列的图像进行裁剪、强度归一化和配准；针对多参数磁共振图像序列中不同图像序列的特征提取和融合困难的问题，采用卷积注意力模块提取不同序列图像的若干不同层级特征图，再采用注意力机制融合提取的特征图以及分割掩膜；采用注意力机制实现特征提取和特征融合，预设特征提取网络模型在训练过程中能够自动学习到合适的特征提取和特征融合参数；采用Retina U-Net架构，能够同时完成检测、分割及分类的任务。分类的任务。分类的任务。


技术研发人员：陶杰 李文豪 魏强 郑博文
受保护的技术使用者：广东工业大学
技术研发日：2023.06.21
技术公布日：2023/9/16