一种基于U-Net网络改进的乳腺MRI分割方法技术

一种基于U‑Net网络改进的乳腺MRI分割方法。目前，动态对比增强磁共振成像(DCE‑MRI)已被证明是一种有效的辅助诊断工具，可用于乳腺癌的早期发现和诊断。然而，没有CAD(计算机辅助检测)系统，手动DCE‑MRI检查是比较困难、且容易出错的。在典型的CAD中，乳腺组织分割的早期阶段，通过移除外部组织和空气来减少用于分析的体素数量，从而提高可靠性和减少计算工作量。基于此提出一种基于U‑Net网络改进的乳腺MRI分割方法，来提高乳腺组织的分割精度，为后续乳腺肿瘤的分割提高可靠性和减少计算量。

【技术实现步骤摘要】
一种基于U-Net网络改进的乳腺MRI分割方法
本专利技术涉及医疗科技
，特别涉及一种基于U-Net网络改进的乳腺MRI分割方法。
技术介绍
据世界卫生组织(WHO)估计，2012年乳腺癌的发病率为167万例(其中78.8万例在较发达国家)，52.2万人死亡(198000例在较发达国家)，2007-2012年期间全球有620万例(320万例在较发达国家)。世卫组织指出，早期发现是降低癌症死亡率的一个关键因素。尽管世界卫生组织提倡用乳房X射线摄像作为参考筛查工具，但由于MRI(非电离辐射)的安全性、高3D分辨率和动态信息，动态对比增强磁共振成像(DCE-MRI)已越来越多地作为临床成像程序，用于评估新辅助化疗的反应。DCE-MRI检查产生4D(3D空间+1D时间)数据，包括静脉注射顺磁造影剂(通常为钆基)前后获得的图像。通常，在每次采样时间里会获得数百张图像。此外，为了进行高质量的数据分析，可能需要多次采样(从10次到100次)；每个图像都在数万体素的范围内。分析如此庞大的数据是一项非常耗时且容易出错的任务。许多研究致力于开发计算机本文档来自技高网...

【技术保护点】
1.一种基于U-Net网络改进的乳腺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)，具体步骤为，/nQ1.建立一个用于乳腺分割的2D卷积神经网络。/nQ2.将3D乳腺DCE-MRI数据进行切片，同时保存2D图像在3D空间中的位置索引信息，生成2D乳腺数据。/nQ3.准备数据集，对2D乳腺数据进行预处理，增加对比度，归一化和数据增强(翻转，平移，镜像)，数据集包括训练集+测试集。/nQ4.利用训练集训练神经网络，得到一个全卷积神经网络模型。/nQ5.使用得到的网络模型分割测试集中乳腺MRI数据，得到2D分割结果，将2D分割结果按序拼接得到3D分割结果。/n

【技术特征摘要】
1.一种基于U-Net网络改进的乳腺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)，具体步骤为，
Q1.建立一个用于乳腺分割的2D卷积神经网络。
Q2.将3D乳腺DCE-MRI数据进行切片，同时保存2D图像在3D空间中的位置索引信息，生成2D乳腺数据。
Q3.准备数据集，对2D乳腺数据进行预处理，增加对比度，归一化和数据增强(翻转，平移，镜像)，数据集包括训练集+测试集。
Q4.利用训练集训练神经网络，得到一个全卷积神经网络模型。
Q5.使用得到的网络模型分割测试集中乳腺MRI数据，得到2D分割结果，将2D分割结果按序拼接得到3D分割结果。


2.根据权利1要求所述的一种基于U-Net网络改进的乳腺MRI分割方法，其特征在于，在Q1步骤中，2D卷积神经网络(附图4)的构建，具体如下：
卷积神经网络的输入是一个512*512的灰度图和一个长度为108的一维位置索引向量(one-hot编码方式)，输出是512*512的二值图像；网络结构由左、右、上三个部分构成，网络的左侧是输入图像的Encoder部分，右侧是输入图像的Decoder部分，上方是对一维位置索引向量的Encoder部分；
网络的卷积层采用DenseBlock(附图4)，每个Block由(BN+ReLu+Conv3*3)构成。网络上方索引向量的Encoder部分先通过向量和向量转置的乘积生成108*108矩阵，再经过上采样调整成512*512大小的索引图。该索引图经过DenseBlock和下采样调整通道数和特征图大小，然后与网络左侧每一次下采样前输出的各维特征图进行特征融合(对两个特征图求和)。在网络右侧的上采样过程中，将Encoder阶段输出的各维特征图经过通道-空间注意力模块后，与Decoder阶段的各维输出拼接。


3.根据权利要求1所述的一种基于U-...

【专利技术属性】
技术研发人员：王波，童守迪，范红宾，袁鹏，王狄，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23