用于超声图像前列腺自动分割的细粒度循环神经网络

边界不完整性给超声图像中的前列腺自动分割带来了巨大挑战。形状先验可为估计缺失边界提供强有力的引导，但传统形状模型在拟合过程中常受限于手工设计的描述子和局部信息丢失。本文试图通过一个新颖的框架来解决这些问题。所提出的框架能够无缝集成特征提取与形状先验探索，并以序列化方式估计完整边界。我们的框架由三个关键模块组成。首先，我们将静态的二维前列腺超声图像序列化为动态序列，然后通过顺序探索形状先验来预测前列腺形状。直观上，我们提出利用具有生物合理性的循环神经网络（RNN）来学习形状先验。该模块被证实能有效处理边界不完整性问题。其次，为缓解不同序列化方式带来的偏差，我们提出了一种多视图融合策略，以合并从不同视角获得的形状预测。第三，我们进一步将 RNN 核心嵌入到一个多尺度自上下文方案中，以逐步细化形状预测图的细节。通过在具有挑战性的前列腺超声图像上进行广泛验证，我们的框架弥合了严重的边界不完整性，与多种先进方法相比，在前列腺边界勾画中取得了最佳性能。此外，我们的方法具有通用性，可扩展到边界不完整性是主要挑战之一的其他医学图像分割任务。