随着国民生活水平的日益提高,前列腺疾病目前成为对男性群体健康的最大威胁之一。经直肠超声图像(TRUS)具有实时、廉价和无损的优点,在前列腺疾病的预防、诊断和治疗中被广泛的应用。特别在前列腺癌症的治疗和诊断中,活检针放置等临床应用的需求日益增加,快速及精确的TRUS图像分割成为了一项必不可少的技术需求。由于传统的手动分割TRUS图像分割方法不仅依赖诊断医生的经验,而且分割效率低。因此,高效、精确的TRUS图像分割成为实时前列腺癌变精准手术的关键之一。本文提出了基于Mask R-CNN的TRUS图像分割方法TSNet(TRUS Segmentation Network)。利用MFPN网络在多尺度特征图上通过控制通道规模来强化特征。为了有效利用不同尺度下的特征,网络采用自上而下的侧向连接,并在不同尺度的特征上进行预测,不断重复这个过程,产生含有丰富语义特征的特征并将特征融合。在RPN阶段提出E-OHEM优化算法和新的Anchor机制,根据TRUS图像前列腺目标区域的尺寸统计来改变Anchor比例。在小批量采样过程中按照一定比例的正负样本进行随机采样,并使用非极大抑制移除重叠度高的感兴趣区域,不仅提高了模型的泛化能力,而且可对前列腺边缘进行更精确的定位。实验结果表明,本文提出的TSNet网络有效的解决了伪影区域与目标区域的高度相似性对前列腺分割造成的干扰问题和前列腺边界轮廓较弱的问题。与标准值比较产生的关键性指标平均绝对距离是0.332毫米,豪斯多夫距离是1.106毫米,相似性系数是0.9810,特异性是0.9983,灵敏度是0.9764,取得了较好的分割结果,证明了本文提出的TSNet的有效性。