基于协同多任务学习的BI-RADS乳腺病变分割分类方法技术

本发明专利技术涉及乳腺磁共振成像分割分类技术领域，具体涉及一种基于协同多任务学习的BI‑RADS乳腺病变分割分类方法，包括：步骤一：对获取的MRI图像进行预处理，将预处理后的MRI图像分为训练数据集和测试数据集；步骤二，构建分割和分类网络；分割和分类网络包括编码器、初步分割子网、分类子网和重分区分割子网；步骤三，对初步分割网络中的位置流解码器、边界流解码器、分割流解码器分别设置损失函数；步骤四，将测试数据集中的MRI图像输入到完成训练的分割和分类网络，得到分割结果。通过三个子网的协作，分割和分类任务相互促进，提高性能。

【技术实现步骤摘要】

本专利技术涉及乳腺磁共振成像分割分类，具体涉及一种基于协同多任务学习的bi-rads乳腺病变分割分类方法。

技术介绍

1、目前，乳腺成像报告和数据系统(bi-rads)分级依靠超声技术，四种类别乳腺病变分为4a、4b和4c，分别反映低恶性(2％-10％)、中恶性(10％-50％)和高恶性(50％-95％)的可能性增加。由于bi-rads四类中良恶性病变部分重叠，导致病变为恶性的概率在2％～95％之间，使得部分良性病变被过度评估和侵袭性治疗，而部分恶性病变被低估并延迟最佳治疗。因此，明确bi-rads四类乳腺病变的良恶性对准确诊断和随访治疗具有重要意义。

2、乳腺磁共振成像(mri)打破了传统的单一形态诊断模型，允许对病变进行定量和定性分析。然而，人工读取mri非常耗时，计算机辅助早期诊断乳腺病变具有重要意义。

3、但是mri的计算机诊断存在以下问题：(1)病变通常形状不规则，位置不固定；(2)病变仅占整幅图像的0.01％-4.63％，导致严重的类别不平衡问题；(3)病变与正常组织对比度低，病变难以识别。因此，完成这项工作非常具有挑战本文档来自技高网...

【技术保护点】

1.一种基于协同多任务学习的BI-RADS乳腺病变分割分类方法，通过协同多任务学习的分割和分类网络对MRI图像中的BI-RADS第四类乳腺病变进行分割，得到分割结果；具体包括以下步骤：

2.根据权利要求1所述的基于协同多任务学习的BI-RADS乳腺病变分割分类方法，其特征在于，位置流解码器用于提取病变内部的特征得到位置分割图时，具体包括：在位置流解码器中使用χ4、χ5来提取病变内部特征，将χ5进行转置卷积，并映射到与χ4相同大小的空间中，然后将χ5与χ4进行拼接，得到χspatial，然后将χspatial输入到注意力块，以获得病变的正确位置，注意力模块的公式表示如下：...

【技术特征摘要】

1.一种基于协同多任务学习的bi-rads乳腺病变分割分类方法，通过协同多任务学习的分割和分类网络对mri图像中的bi-rads第四类乳腺病变进行分割，得到分割结果；具体包括以下步骤：

2.根据权利要求1所述的基于协同多任务学习的bi-rads乳腺病变分割分类方法，其特征在于，位置流解码器用于提取病变内部的特征得到位置分割图时，具体包括：在位置流解码器中使用χ4、χ5来提取病变内部特征，将χ5进行转置卷积，并映射到与χ4相同大小的空间中，然后将χ5与χ4进行拼接，得到χspatial，然后将χspatial输入到注意力块，以获得病变的正确位置，注意力模块的公式表示如下：

3.根据权利要求1所述的基于协同多任务学习的bi-rads乳腺病变分割分类方法，其特征在于：边界流解码器用于细化物体的边界，输出边界分割图时，具体包括：

4.根据权利要求1所述的基于协同多任务学习的bi-rads乳腺病变分割分类方法，其特征在于：分割流解码器通...

【专利技术属性】
技术研发人员：叶显俊，许镇义，曹洋，
申请(专利权)人：安徽省立医院中国科学技术大学附属第一医院，
类型：发明
国别省市：