一种T2加权影像特征生成动态增强影像特征的方法技术

一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明专利技术生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本发明专利技术成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。快捷的诊断方法。快捷的诊断方法。

【技术实现步骤摘要】
一种T2加权影像特征生成动态增强影像特征的方法


[0001]本专利技术属于图像处理
，特别是涉及一种T2加权影像特征生成动态增强影像特征的方法。

技术介绍

[0002]乳腺癌的早诊断、早治疗能够有效的降低患者的死亡率，提升其远期生存率。磁共振成像(Magnetic Resonance Imaging，MRI)检查是最普及的乳腺癌诊断方式之一，具有多种成像参数，包含动态增强影像(Dynamic Contrast Enhancement Magnetic Resonance Imaging，DCE
‑
MRI)，T2加权影像(T2Weighted Imaging，T2WI)，弥散加权成像(Diffusion Weighted Imaging，DWI)等，不同参数的成像有各自的特点。其中，DCE
‑
MRI通过获得多组注入造影剂前后的高质量影像，获得病变的形态和血流动力学信息，对乳腺癌的诊断具有较高的灵敏度，临床上常用于乳腺癌的分期评估和分子分型的评估。
[0003]然而，DCE/>‑
MR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，包括以下步骤：S1：构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE
‑
MRI影像，T2WI影像，样本的类别标签；S2：对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE
‑
MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房；S3：对于S2分割完成后获得的乳房数据集，将DCE
‑
MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE
‑
MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像；S4：数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集；S5：基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练,得到DCE
‑
MRI影像特征提取器和T2WI影像特征提取器；S6：对于S3获得的6通道DCE
‑
MRI影像和3通道T2WI影像，利用S5中获得的DCE
‑
MRI影像特征提取器和T2WI影像特征提取器分别提取DCE
‑
MRI影像特征和T2WI影像特征；S7：对于S6获得的DCE
‑
MRI影像特征数据集和T2WI影像特征数据集，利用基于深度生成对抗网络的特征生成方法，进行DCE
‑
MRI影像特征生成训练，基于T2WI影像特征生成DCE
‑
MRI影像特征；S8：在测试集上，测试基于T2WI影像特征生成的新DCE
‑
MRI影像特征的病理信息诊断性能。2.如权利要求1所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S5中的卷积神经网络是ResNet，其中特征提取器为ResNet的骨干网络，分类器为ResNet的全连接层分类器。3.如权利要求2所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述乳腺癌分类预训练的具体步骤如下：A1：向特征提取器传入图像，推理获得图像的特征z；A2：将图像的特征z，传入分类器，获得图像的预测值A3：结合图像的真实标签y，计算模型的分类损失，其损失函数为：A4：根据分类损失L，利用梯度下降的方法对特征提取器和分类器里的参数进行更新；A5：重复上述步骤A1
‑
A4，并利用早停机制保留模型训练过程中的参数；A6：乳腺癌影像数据集存样本不均衡性，采用AUC为模型的评价指标对模型进行评价。4.如权利要求3所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述AUC的评价方式为：其中i为一个属于阳性的样本，rank
i
表示将测试集中的所有样本的概率按照从高到低进行排序，样本...

【专利技术属性】
技术研发人员：范明，楼俊鸿，厉力华，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：