基于监督学习的前列腺MR/TRUS图像分割和配准方法

前列腺核磁超声图像配准融合有助于实现前列腺肿瘤的靶向穿刺.传统的配准方法主要是针对手动分割的前列腺核磁(Magnetic resonance,MR)和经直肠超声(Trans-rectalultrasound,TRUS)图像上对应的生理特征点作为参考点,进行刚体或非刚体配准.针对超声图像因成像质量低导致手动分割配准效率低下的问题,提出一种基于监督学习的前列腺MR/TRUS图像自动分割方法,与术前核磁图像进行非刚体配准.首先,针对图像分割任务训练前列腺超声图像的活动表观模型(Active appearance model,AAM),并基于随机森林建立边界驱动的数学模型,实现超声图像自动分割.接着,提取术前分割的核磁图像与自动分割的超声图像建立轮廓的形状特征矢量,进行特征匹配与图像配准.实验结果表明,本文方法能准确实现前列腺超声图像自动分割与配准融合,9组配准结果的戴斯相似性系数(Dice similarity coefficient,DSC)均大于0.98,同时尿道口处特征点的平均定位精度达1.64 mm,相比传统方法具有更高的配准精度.