DAC-GAN模型构建方法及在乳腺MR图像中的应用技术

本发明专利技术公开了一种DAC‑GAN模型构建方法及在乳腺MR图像中的应用，步骤1、获取乳腺MR图像数据集D，所述数据集D内数据包括M个患者的T1WI序列、DWI序列、T2WI序列、DCE动态增强序列图像以及该患者的诊断结果；步骤2、将步骤1得到的数据集D中M个T1WI序列图像设为T1数据集，将DCE动态增强序列图像设为DCE数据集；步骤3、将步骤2得到的T1数据集和DCE数据集进行灰度值归一化，步骤4、通过引入Non‑local注意力网络和Channel‑attention网络改进现有的GAN模型得到构建DAC‑GAN模型，通过该模型可对待测乳腺MR图像进行推演。

【技术实现步骤摘要】
DAC-GAN模型构建方法及在乳腺MR图像中的应用
本专利技术属于医学图像应用
，具体涉及一种DAC-GAN模型构建方法，还涉及上述DAC-GAN模型在乳腺MR图像中的应用。
技术介绍
目前，乳腺癌已经成为全球女性癌症死亡的主要原因，早发现、早诊断，早治疗能够显著提升乳腺癌患者的5年生存率，动态增强扫描(Dynamiccontrast-enhancedMRI，DCE-MRI)作为一种非常有价值的定量MRI技术，在乳腺癌早期发现及诊断中作出了巨大作用。但是传统的乳腺MR检查耗时长、费用高，并且存在患者造影剂过敏的风险及造影剂导致的相关不良反应，如钆剂在脑内沉积、肾功异常等。随着“互联网+医疗”时代的到来，人工智能技术已经解决了不少临床医学问题，使得设计及开发新型乳腺影像辅助诊断技术成为可能。近年来，生成对抗网络(GenerativeAdversarialNetworks,GAN)通过特征提取和目标生成的方式实现了推演图像的生成，使医学图像的生成和图像质量的提升不再单纯的依赖硬件采集的原始数据，为医学图像获取、图像质量改进及图像的转化提供了新本文档来自技高网...

【技术保护点】
1.DAC-GAN模型构建方法，其特征在于，具体按照以下步骤进行：/n步骤1：获取乳腺MR图像数据集D，所述数据集D内数据包括M个患者的T1WI序列、DWI序列、T2WI序列、DCE动态增强序列图像以及该患者的诊断结果；/n步骤2：将数据集D中M个T1WI序列图像设为T1数据集，将数据集D中M个DCE动态增强序列图像设为DCE数据集；/n步骤3：将步骤2得到的T1数据集和DCE数据集进行灰度值归一化，/n步骤4：通过引入Non-local注意力网络和Channel-attention网络改进现有的GAN模型得到构建DAC-GAN模型。/n

【技术特征摘要】
1.DAC-GAN模型构建方法，其特征在于，具体按照以下步骤进行：
步骤1：获取乳腺MR图像数据集D，所述数据集D内数据包括M个患者的T1WI序列、DWI序列、T2WI序列、DCE动态增强序列图像以及该患者的诊断结果；
步骤2：将数据集D中M个T1WI序列图像设为T1数据集，将数据集D中M个DCE动态增强序列图像设为DCE数据集；
步骤3：将步骤2得到的T1数据集和DCE数据集进行灰度值归一化，
步骤4：通过引入Non-local注意力网络和Channel-attention网络改进现有的GAN模型得到构建DAC-GAN模型。


2.根据权利要求1所述的DAC-GAN模型构建方法，其特征在于，所述步骤3中灰度值范围由0～255转换为0～1。


3.根据权利要求1所述的DAC-GAN模型构建方法，其特征在于，所述步骤4中具体步骤如下：
步骤4.1：构建基于GAN网络模型的图像推演模型；
步骤4.2：引入channel-attention网络动态调节步骤4.1得到的图像推演模型中各通道的权重系数；
步骤4.3：在步骤4.2得到的网络模型中引入Non-local注意力网络，具体操作为：将步骤4.2中的输出结果送入Non-local注意力网络，用3个卷积核大小为1×1的卷积网络对输入的卷积后的数据进行处理，并将结果分别送入θ、φ和γ通道，然后将H×W二维数据合并为一维数据HW，然后将θ和φ的结果进行矩阵相乘获得位置对应矩阵：



式中：xi是输入，yi是输出，i是输出图像特征对应的位置索引，j是图像中其他特征对应的位置索引，表示j的取值范围，f是计算任意两个特征之间的相关系数的函数，g(xi)表示是位于j处的特征输入，D(x)为归一化常量；
步骤4.4：基于步骤4.1、4.2、4.3得到DAC-GAN模型，将待测T1WI序列图像输入DAC-GAN模型中，输出即得到该待测图像的DCE序列图像。


4.根据权利要求3...

【专利技术属性】
技术研发人员：陈宝莹，王苹苹，聂品，李铁柱，党艳丽，王丽芳，朱开国，马小伟，
申请(专利权)人：西安国际医学中心有限公司，
类型：发明
国别省市：陕西;61