【技术实现步骤摘要】
基于层次卷积神经网络的乳腺癌MRI分割方法
本专利技术涉及医疗科技
，特别涉及一种基于层次卷积神经网络的乳腺癌MRI分割方法。
技术介绍
乳腺癌是除皮肤癌以外美国女性中最常见的癌症。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。据国家癌症中心和卫生部疾病预防控制局2012年公布的2009年乳腺癌发病数据显示：全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第1位，女性乳腺癌发病率(粗率)全国合计为42.55/10万，城市为51.91/10万，农村为23.12/10万。近年来的研究和临床研究表明，动态对比增强磁共振成像(DCE-MRI)能同时显示乳腺癌的生理组织特征和解剖结构，是乳腺癌诊断的有效工具。最近研究也表明，通过算法提取的特征可用于识别乳腺癌肿瘤的基因组组成和预测患者的预后。在此背景下，相关的研究人员提出了一些特征来表征DCE-MR图像，如肿瘤形态、纹理和增强动力学等。然而，这些特征高度依赖于精确的肿瘤分割。因此，DCE-MR图像中乳腺肿瘤的准确分割对于乳...
【技术保护点】
1.一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，基于动态对比增强磁共振成像(DCE-MRI)，其具体步骤为，/nQ1，训练一个全卷积网络FCN模型(FCN-1)，采用3D U-Net架构来获取输入图像的全局和局部结构信息，以估计感兴趣的区域即乳房掩膜；/nQ2，以乳房掩膜为引导，训练另外两个FCN模型(FCN-2和FCN-3)，分别估计粗分割结果和细化初始结果，至此可以检测输入图像中的所有肿瘤区域；/nQ3，为了从所有检测到的肿瘤中识别出活检肿瘤，进一步开发了一种基于标记点的检测模型(FCN-4)，以检测用于活检肿瘤选择和放射基因组学的两个标记点。/n
【技术特征摘要】
1.一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，基于动态对比增强磁共振成像(DCE-MRI)，其具体步骤为，
Q1，训练一个全卷积网络FCN模型(FCN-1)，采用3DU-Net架构来获取输入图像的全局和局部结构信息，以估计感兴趣的区域即乳房掩膜；
Q2，以乳房掩膜为引导，训练另外两个FCN模型(FCN-2和FCN-3)，分别估计粗分割结果和细化初始结果，至此可以检测输入图像中的所有肿瘤区域；
Q3，为了从所有检测到的肿瘤中识别出活检肿瘤，进一步开发了一种基于标记点的检测模型(FCN-4)，以检测用于活检肿瘤选择和放射基因组学的两个标记点。
2.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q1步骤中，全卷积网络FCN模型(FCN-1)对每个输入的对比增强前图像进行学习生成乳房掩膜；用降采样的预对比图像来训练FCN-1，该训练过程使用二进制交叉熵损失函数，图像规格为1.5×1.5×1.5mm3的分辨率。
3.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q2步骤中，粗分割具体为：
训练另一个全卷积网络FCN模型(FCN-2)，包含尽可能多的类肿瘤体素来获得高灵敏度乳腺肿瘤的粗分割结果，同样采用3DU-Net架构来获取输入图像的全局和局部结构信息，存在一条收缩路径和一条扩展路径，收缩路径的每个步骤由3×3×3卷积，批处理归一化、校正线性单元(ReLU)和2×2×2最大池化操作，扩展路径的每个步骤都包括一个3×3×3向上卷积，然后是与收缩路径中的相应特征映射的级联过程，以及一个3×3×3卷积；
FCN-2中设有激活函数，在最后一层的激活函数是一个sigmoid函数，因此输出被归一化为[0，1]，即FCN-2的输出是每个体素属于肿瘤区域或背景的概率。
4.根据权利要求3所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，激活函数为类骰子灵敏度(Dice-Sensitivity-l...
【专利技术属性】
技术研发人员：王波，袁凤强，何颖，刘侠，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。