1.一种深度学习结合传统学习的前列腺图像分割算法，其特征在于：包括以下步骤：S1，基于改进的U‑Net对前列腺图像完成粗分割：S101，引入ASPP模块：

该模块使用多个并行空洞卷积层；空洞卷积是一种可以实现密集特征提取和视野扩大的卷积算法，与普通卷积相比，它在卷积核内引入了跨度为r‑1个零，从而有效地扩大了感受野；具体来说，卷积核大小为k，扩张率为r的空洞卷积在连续的滤波器值之间引入r‑1个零，从而导致感受野大小增加到：；

其中 表示感受野大小，k表示卷积核大小，r代表扩张率；

S102，采用 ASPP 替代U‑Net 网络的底层：改进的U‑Net前列腺粗分割算法，通过借用ASPP模块的优势，网络结构由编码器网络、解码器网络和ASPP三部分组成；U‑Net体系结构由编码器和解码器两个部分组成，输入图像尺寸为512*512；在编码器和解码器的卷积层后添加BN模块以加速收敛速度，并使用ReLU函数进行激活；编码模块使用池化对特征图进行下采样，解码模块通过转置卷积操作对特征图进行上采样，并使用跳跃连接将上采样和下采样之间的特征图连接起来；

S103，ASPP对上一层特征图进行多次采样操作：通过使用1x1卷积核来提高非线性表达能力，以及引入3x3空洞卷积来扩大感受野；最后一次卷积操作引入平均池化，将特征图送入1x1卷积核，并使用双线性插值上采样到图像的原始大小；不同的扩张率对应着不同尺度的特征图，这些尺度由金字塔模型得到；每个分支都是相互独立的，小的扩张率用于关联小范围信息，而大的扩张率则用于关联大范围信息；在网络的最后阶段，将5个多尺度特征图拼接在一起，送入1x1卷积层进行融合，最终输出的特征图被送入解码模块中；

S2，基于半圆区灰度差对前列腺图像完成精分割：

S201，改进法向量边界算子：

首先根据Hodge方法，将前列腺图像大致轮廓曲线表示为一个点集：；

在每个点上做法向量，法向量设置成和像素值相同密度点集；设法向量上随机一个点，索引值为key，在U点正负方向上一共取2m个点灰度值，将各个灰度点设置为一个点集 ，其中 表示索引值为i的点的灰度值；

再计算沿着法向量方向上某点上、下两个区域的累计灰度差值并再法向量上将该点移动组成一个集合 ；累计灰度值的灰度差值的灰度差公式如下：；

其中key表示点的索引值， 灰度差集合，i表示上下区域边界算子的取值范围；

索引值的公式如下：

key=argmax ；

其中key代表索引值，argmax（）函数表示最大值自变量点集， 灰度差集合；

经过公式可以确定分割效果最好的点，通过步骤S201 S202的方法将前列腺图片上曲~线的离散化点全部遍历一次，获得前列腺大概的边界轮廓；

S202，设计半圆区领域算子的分割方法：

将一根法向量设为 ，相邻两跟法向量设为 、 ；在 上取索引值为key，该点则表示成 ，相邻两点则为 和 ；点 边界算子公式如下：；

其中， 表示边界算子，b表示点 单侧领域点数量，m表示领域法向量的数量；

S3，异位点检测及重构：

S301，异位点检测：对于前列腺图像的像素边界为锯齿形，导致很难测量曲率，但在单一点上的曲率可以通过相邻点的连线进行定义；所以在确定单一点的曲率时可以使用相邻两点连线线段的斜率差来衡量；具体方法如下：边界上任意单一点 曲率公式如下：

；

其中mod表示模运算，tan（）表示正切函数， 与 分别表示单点横坐标 的相邻两点的横坐标， 与 分别表示单点纵坐标 的相邻两点的纵坐标；

在之前法向量算子检测的基础上，进行下一步处理，检测过程如下：当边界算子C检测到某点 时，将结合该点的相邻两个点 和 的空间位置关系来确定该点是否真正地在边界上；由 ， ， 连线且与水平方向上形成一个角度，，分别为直线 ，直线 和水平方向形成的夹角；经过这些夹角可以得到相应的直线斜率，再通过计算两直线斜率变化率可得该点 处的曲率；

S302，异位点重构：由于前列腺图像分割时边界近似于光滑、平缓、连续的，当异位点已被检测出，此时将异位点剔除进行重构采用如下方法：前列腺图像由法向量分割后其边界由100个点构成；剔除后的点可通过该点前后两点间中点代替，因边界近似于光滑、平缓、连续的，该点周围处形成的边界近似于真实边界，偏差可忽略；采用微积分思想，将100个点组成光滑、连续的曲线细化为一段直线，通过数学知识中点公式，将 ， 两点间去除掉的点 通过中点重构出来；中点公式如下:；

其中 表示该点的横坐标， 表示该点的纵坐标；

将 ， 的横、纵坐标带入公式，求得重构后点 。