前列腺癌是老年男性最常见的癌症,核磁共振(Magnetic Resonance,MR)成像方式所得的前列腺图像已被广泛应用于前列腺癌的诊断和治疗过程中。医生在诊疗之前,需要先准确分割出MR图像中前列腺组织的区域,然而手动分割耗时费力,并且由于前列腺的形态差异较大,与邻近结构的对比度较低,传统的分割方法仍存在精度低、速度慢等缺点。随着深度学习技术的优势凸显,基于深度学习的方法在图像处理中表现出了巨大潜力,相比传统方法,深度学习网络能够提取到图像的深层抽象特征,且可以实现端到端的处理。因此,研究并设计用于前列腺MR图像的深度学习网络具有重要意义。本文所做工作如下:1.简要概述了前列腺图像分割的研究背景、意义以及国内外研究现状,并对现有的前列腺图像分割方法做了简要分类及总结。之后详细阐述了图像分割与深度学习理论知识,以及经典的基于深度学习的图像分割算法。2.为了改善全卷积网络对小目标区域识别不充分而导致的分割准确率不高的问题,本文提出基于残差学习与密集上采样的编解码分割网络来进行前列腺MR图像分割。编解码结构可以一定程度上恢复全卷积网络所丢失的空间信息,在编解码结构基础上,采用残差学习来优化深度网络的训练,避免网络退化。另外,为了进一步恢复编码过程丢失的空间细节信息,使用密集上采样的方法来捕获和恢复细节信息,进而改善网络对图像细节的识别与恢复能力。实验结果显示基于残差学习与密集上采样的编解码分割网络可以有效提高前列腺MR图像的分割准确率。3.鉴于生成对抗网络在多种计算机视觉任务中表现出了优异的性能并已在自然图像的分割任务中取得了较好的分割效果,本文引入对抗学习来训练分割网络,通过分割网络与判别网络之间的相互对抗训练,使分割网络输出的分割结果越来越接近真实标签的结果,提高分割网络对前列腺MR图像的分割性能。另外,针对上述编解码结构对多尺度特征的提取并不充分,本文在分割网络中应用感受野模块来获取并融合深度特征的多尺度信息,提高特征的识别率和鲁棒性,进一步提升网络的分割准确率。因此本文提出基于对抗学习和多尺度特征融合的分割网络,在前列腺MR图像数据集上DSC和HD分别达到了89.56%和7.65mm,验证了所提算法模型的有效性和实时性。