一种基于全卷积网络的DCE-MRI乳腺肿瘤分割方法及设备技术

本发明专利技术涉及一种基于全卷积网络的医学图像病变区域分割方法及设备，所述方法包括以下步骤：获取待分割的医学图像，该医学图像由医学设备采集获得；对所述医学图像进行预处理；通过一CNN分类模型判定所述医学图像的类别；基于类别判定结果，选取对应类别的FCN分割模型获得对病变区域进行初步分割；对所述初步分割获得的分割区域进行连通域分析，获得最终分割结果；其中，所述FCN分割模型为在U

【技术实现步骤摘要】
一种基于全卷积网络的DCE
‑
MRI乳腺肿瘤分割方法及设备


[0001]本专利技术涉及医学影像处理
，尤其是涉及一种基于全卷积网络的DCE
‑
MRI乳腺肿瘤分割方法及设备。

技术介绍

[0002]乳腺癌是最常见的全球性健康问题之一，且发病年龄呈年轻化趋势。大量研究表明，早发现、早诊断、早治疗是降低乳腺癌患者死亡率、提高预后生存率的重要手段。现代医学影像的快速发展为乳腺癌的早期检测和诊断提供了技术支撑，动态对比增强磁共振成像(Dynamic Contrast Enhanced
‑
Magnetic Resonance Imaging,DCE
‑
MRI)能够直观显示解剖结构和生理组织特征，已被应用于乳腺癌的诊断评估、化疗的效果监测以及相关的科学研究中。肿瘤的定量分析通常采用肿瘤形态、纹理等特征来表征原始DCE
‑
MRI，这强烈依赖于准确的肿瘤分割，而这对于专业的放射科医生来说也有难度。
[0003]因此，需要一种能够对医学影像实现全自动精准分割的技术。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种分割精度高的基于全卷积网络的DCE
‑
MRI乳腺肿瘤分割方法及设备。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于全卷积网络的医学图像病变区域分割方法，包括以下步骤
[0007]获取待分割的医学图像，该医学图像由医学设备采集获得；
[0008]对所述医学图像进行预处理；
[0009]通过一CNN分类模型判定所述医学图像的类别；
[0010]基于类别判定结果，选取对应类别的FCN分割模型获得对病变区域进行初步分割；
[0011]对所述初步分割获得的分割区域进行连通域分析，获得最终分割结果；
[0012]其中，所述FCN分割模型为在U
‑
Net网络的基础上融合有残差结构和注意力机制模块的分割网络。
[0013]进一步地，所述医学设备包括DCE
‑
MRI。
[0014]进一步地，所述预处理包括：
[0015]对待分割的医学图像进行图片裁剪。
[0016]进一步地，所述CNN分类模型包括Conv2D卷积层、BN层、MaxPooling2D池化层和Dense全连接层。
[0017]进一步地，所述CNN分类模型中，Dense全连接层采用sigmoid函数，Conv2D卷积层、BN层、MaxPooling2D池化层采用ReLU激活函数。
[0018]进一步地，所述FCN分割模型中，注意力机制模块包括由卷积层、全局平均池化层和全连接层构成主路径，同时添加有恒等映射连接，所述全连接层设有两个，分别采用ReLU函数和Sigmoid函数激活。
[0019]进一步地，所述FCN分割模型的训练过程包括：
[0020]获取训练样本，该训练样本中包括待分割样本图像和图像人工分割结果，将所述图像人工分割结果转化为mask图片作为FCN分割模型的标签；
[0021]将待分割样本图像作为输入图像，输入FCN分割模型，获得与所述输入图像同样大小的分割图像；
[0022]将该分割图像与所述mask图像进行对比来得到分割准确率，保存最高分割准确率下的FCN分割模型。
[0023]进一步地，所述医学图像的类别包括大区域图像或小区域图像，所述对应类别的FCN分割模型包括用于对大区域图像进行分割的大区域FCN分割模型或用于对小区域图像进行分割的小区域FCN分割模型，若所述类别判定结果为小区域图像，则对待分割的医学图像进行裁剪后输入所述小区域FCN分割模型。
[0024]进一步地，所述连通域分析具体为：
[0025]对初步分割结果添加位置约束，仅保留包含图像中心点的连通域；
[0026]对初步分割结果进行形态学处理，对保留下来的连通域进行孔洞填充。
[0027]本专利技术还提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述医学图像病变区域分割方法的指令。
[0028]与现有技术相比，本专利技术具有以下有益效果：
[0029]1、本专利技术通过二维卷积神经网络将医学影像图像先进行类别区别、再以对应类似的分割模型进行分割，大幅提升了分割精度。本专利技术可以在乳腺肿瘤图像中按照肿瘤尺寸分成大、小肿瘤，再分别送入到后续分割网络完成肿瘤的精准分割。
[0030]2、本专利技术所采用的分割网络在U
‑
Net网络的基础上融合了残差结构和注意力机制模块，网络的分割性能大幅度提升。
[0031]3、本专利技术采用先分类再分割的技术手段，具有计算精度高、时间快、鲁棒性好等优点，能够得到可靠、稳定的结果。
附图说明
[0032]图1为本专利技术的流程框图；
[0033]图2为本专利技术模型的训练测试过程示意图；
[0034]图3为二维CNN分类网络框架图；
[0035]图4为二维FCN分割网络框架图；
[0036]图5为本专利技术构建的CNN分类网络的ROC曲线示意图；
[0037]图6为本专利技术分割结果示意图。
具体实施方式
[0038]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0039]本专利技术提供一种基于全卷积网络的医学图像病变区域分割方法，包括以下步骤：
获取待分割的医学图像，该医学图像由医学设备采集获得；对所述医学图像进行预处理；通过一CNN分类模型判定所述医学图像的类别；基于类别判定结果，选取对应类别的FCN分割模型获得对病变区域进行初步分割；对所述初步分割获得的分割区域进行连通域分析，获得最终分割结果。其中，所述FCN分割模型为在U
‑
Net网络的基础上融合有残差结构和注意力机制模块的分割网络。
[0040]在具体实施方式中，医学设备可以为DCE
‑
MRI等。
[0041]在具体实施方式中，预处理包括：对待分割的医学图像进行图片裁剪，以使进入后续分类和分割网络的图片具有更高的可识别精度。
[0042]在具体实施方式中，CNN分类模型为二维卷积神经网络，FCN分割模型为二维深度学习神经网络。
[0043]本实施例中，将上述分割方法应用于乳腺图像的肿瘤分割中，如图1所示，该方法首先获取动态对比增强核磁共振设备采集的乳腺影像数据，对采集数据进行预处理，裁剪为128
×
128像素大小的图片，将该图片作为CNN分类模型的输入，判断肿瘤图片为大肿瘤或小肿瘤；若判断结果为大肿瘤，则将大肿瘤图片作为大肿瘤FCN分割模型的输入，若判断结果为小肿瘤，将小本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全卷积网络的医学图像病变区域分割方法，其特征在于，包括以下步骤获取待分割的医学图像，该医学图像由医学设备采集获得；对所述医学图像进行预处理；通过一CNN分类模型判定所述医学图像的类别；基于类别判定结果，选取对应类别的FCN分割模型获得对病变区域进行初步分割；对所述初步分割获得的分割区域进行连通域分析，获得最终分割结果；其中，所述FCN分割模型为在U
‑
Net网络的基础上融合有残差结构和注意力机制模块的分割网络。2.根据权利要求1所述的基于全卷积网络的医学图像病变区域分割方法，其特征在于，所述医学设备包括DCE
‑
MRI。3.根据权利要求1所述的基于全卷积网络的医学图像病变区域分割方法，其特征在于，所述预处理包括：对待分割的医学图像进行图片裁剪。4.根据权利要求1所述的基于全卷积网络的医学图像病变区域分割方法，其特征在于，所述CNN分类模型包括Conv2D卷积层、BN层、MaxPooling2D池化层和Dense全连接层。5.根据权利要求4所述的基于全卷积网络的医学图像病变区域分割方法，其特征在于，所述CNN分类模型中，Dense全连接层采用sigmoid函数，Conv2D卷积层、BN层、MaxPooling2D池化层采用ReLU激活函数。6.根据权利要求1所述的基于全卷积网络的医学图像病变区域分割方法，其特征在于，所述FCN分割模型中，注意力机制模块包括由卷积层、全局平均池化层和全连接层构成主路径，同时添加有恒等映射...

【专利技术属性】
技术研发人员：谢元忠，聂生东，邱玥，李秀娟，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：