【技术实现步骤摘要】
本申请涉及医学图像处理，特别涉及一种基于多序列mri特征增强的乳腺肿瘤分类方法。
技术介绍
1、磁共振成像（magnetic resonance imaging, mri）作为一种医学成像技术，在乳腺疾病的筛查和诊断中扮演着关键角色。相较于乳腺x线钼靶摄影和乳腺超声，mri具有更高分辨率和对比度、无辐射、对乳腺癌敏感性高等优点，成为临床公认和常用的乳腺癌诊断方法，多序列mri的特点尤为突出。在mri技术中，动态对比增强磁共振成像（dynamiccontrast enhanced mri, dce-mri）和弥散加权成像（diffusion weighted imaging,dwi）是两种特别重要的成像序列。dce-mri通过监测注射造影剂后乳腺组织中的分布和浓度变化，揭示肿瘤的血流动力学特征，对于识别早期肿瘤具有重要价值。dwi则通过测量组织内水分子的扩散能力来评估组织的微观结构变化，对区分乳腺病变具有重要价值。
2、近年来，借助人工智能、模式识别、图像处理等技术的迅速发展，相关研究人员提出了多种乳腺肿瘤诊断辅助算法。这些算法的目标是克服诊断结果对操作人员的依赖性，提高诊断准确率，并降低互补医疗模式的成本。尽管这些方法已经取得了引人注目的成果，然而在处理乳腺肿瘤影像数据时，如何更有效地利用乳腺肿瘤影像的关键信息成为关注的焦点。这些关键信息包括肿瘤的形状、大小以及纹理特征等与肿瘤相关的信息。提升乳腺肿瘤诊断任务的性能需要深入研究如何充分挖掘和利用这些信息。
3、现有技术中，中国专利cn111401480a公
4、然而，上述现有技术并未对多序列mri图像进行关键信息的充分挖掘和利用，乳腺肿瘤分类的准确性和可靠性较差。
技术实现思路
1、本申请提供了一种基于多序列mri特征增强的乳腺肿瘤分类方法，用以解决现有的乳腺肿瘤分类技术未对多序列mri图像进行关键信息的充分挖掘和利用，乳腺肿瘤分类的准确性和可靠性较差的问题。
2、一方面，本申请提供了一种基于多序列mri特征增强的乳腺肿瘤分类方法，包括以下步骤：
3、步骤一，获取乳腺肿瘤的多序列mri图像。
4、步骤二，使用基于transformer架构的特征增强模块对所述多序列mri图像进行特征捕捉，得到特征图像。
5、步骤三，使用弱监督选择器对所述特征图像进行置信度筛选，得到筛选特征。
6、步骤四，使用组合器对所述筛选特征进行特征融合，得到融合特征。
7、步骤五，将所述融合特征输入平均池化层后输入最终全连接层进行乳腺肿瘤分类，得到分类结果。
8、在一种可能的实现方式中，步骤一中，所述多序列mri图像包括：dce-mri序列图像和dwi序列图像。
9、在一种可能的实现方式中，步骤二中，所述特征增强模块为全注意力模块，所述全注意力模块结合token自注意力和通道注意力。
10、在一种可能的实现方式中，步骤二包括：
11、所述特征增强模块将输入的多序列mri图像分别通过所述token自注意力和线性层进行处理。
12、对所述token自注意力和线性层的输出进行重新加权后分别通过所述通道注意力和多层感知机。
13、对所述通道注意力和多层感知机的输出进行相乘操作，得到所述特征图像。
14、在一种可能的实现方式中，步骤二中，所述通道注意力在所述特征增强模块中沿着通道维度计算注意力矩阵，并利用特征协方差进行特征变换。
15、在一种可能的实现方式中，步骤三中，所述弱监督选择器将每个特征图像通过一个全连接层进行类别预测。
16、所述弱监督选择器包括4层不同尺度的特征图层，各层特征图层的节点数依次为：2048、512、128、32，每层特征图层用于输入对应尺度的特征图像，并将输入的特征图像转化为特征向量输出到所述全连接层进行类别预测。
17、所述全连接层采用softmax函数，用于计算每个特征向量的类别概率分布，根据所述类别概率分布进行置信度筛选。
18、当类别预测的结果显示某个特征图像的最高概率大于预设的概率阈值时，将该特征图像保留为筛选特征。
19、当类别预测的结果显示某个特征图像的最高概率小于或等于预设的概率阈值时，将该特征图像排除在筛选特征之外。
20、所述概率阈值大于0且小于1。
21、在一种可能的实现方式中，步骤四中，所述组合器的输入为不同尺度的筛选特征，不同尺度的筛选特征通过组合器进行特征融合，得到不同尺度的融合特征。
22、在一种可能的实现方式中，步骤四包括：
23、所述组合器将不同尺度的筛选特征构建为一个图结构，图结构中的节点代表不同尺度的筛选特征。
24、将所述图结构输入图卷积网络中进行图卷积操作，得到图卷积特征点。
25、将所述图卷积特征点通过池化层聚合为若干个超节点，所述超节点即所述融合特征。
26、在一种可能的实现方式中，步骤四中，所述超节点的生成依据是图卷积特征点之间的相似性，所述相似性基于图卷积特征点之间的差值向量通过tanh激活函数得到。
27、在一种可能的实现方式中，步骤五中，所述平均池化层对所述融合特征进行平均处理，所述最终全连接层进行乳腺肿瘤分类，得到分类结果。
28、本申请中的一种基于多序列mri特征增强的乳腺肿瘤分类方法，具有以下优点：
29、通过结合多序列mri图像、特征增强模块、弱监督选择器和组合器，提高了乳腺肿瘤分类的准确性和可靠性。
30、提出的多序列mri图像包括：dce-mri序列图像和dwi序列图像，通过对dce-mri序列图像和dwi序列图像进行联合分析，捕捉乳腺肿瘤的全面特征，增强了分类的准确性。
31、提出的特征增强模块为全注意力模块，全注意力模块结合token自注意力和通道注意力，通过对token自注意力和通道注意力的结合使用，能够专注于肿瘤的局部区域，精准捕捉关键的肿瘤特征，包括形态、边缘和纹理等细微差异。
32、通过弱监督选择器对特征图像进行置信度筛选，有效过滤了与分类目标不相关的特征，保留了最有信息量的特征点，从而提高了分类性能。
33、通过组合器对所述筛选特征进行特征融合，得到融合特征，可以形成全面的乳腺肿瘤特征表示，有助于综合考虑不同层次和尺度上的特征信息，提升分类的综合性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤一中，所述多序列MRI图像包括：DCE-MRI序列图像和DWI序列图像。
3.根据权利要求1所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤二中，所述特征增强模块为全注意力模块，所述全注意力模块结合Token自注意力和通道注意力。
4.根据权利要求3所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤二包括：
5.根据权利要求4所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤二中，所述通道注意力在所述特征增强模块中沿着通道维度计算注意力矩阵，并利用特征协方差进行特征变换。
6.根据权利要求1所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤三中，所述弱监督选择器将每个特征图像通过一个全连接层进行类别预测；
7.根据权利要求1所述的一种基于多序列MRI特征增强的乳腺
8.根据权利要求7所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤四包括：
9.根据权利要求8所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤四中，所述超节点的生成依据是图卷积特征点之间的相似性，所述相似性基于图卷积特征点之间的差值向量通过tanh激活函数得到。
10.根据权利要求1所述的一种基于多序列MRI特征增强的乳腺肿瘤分类方法，其特征在于，步骤五中，所述平均池化层对所述融合特征进行平均处理，所述最终全连接层进行乳腺肿瘤分类，得到分类结果。
...【技术特征摘要】
1.一种基于多序列mri特征增强的乳腺肿瘤分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于多序列mri特征增强的乳腺肿瘤分类方法，其特征在于，步骤一中，所述多序列mri图像包括：dce-mri序列图像和dwi序列图像。
3.根据权利要求1所述的一种基于多序列mri特征增强的乳腺肿瘤分类方法，其特征在于，步骤二中，所述特征增强模块为全注意力模块，所述全注意力模块结合token自注意力和通道注意力。
4.根据权利要求3所述的一种基于多序列mri特征增强的乳腺肿瘤分类方法，其特征在于，步骤二包括：
5.根据权利要求4所述的一种基于多序列mri特征增强的乳腺肿瘤分类方法，其特征在于，步骤二中，所述通道注意力在所述特征增强模块中沿着通道维度计算注意力矩阵，并利用特征协方差进行特征变换。
6.根据权利要求1所述的一种基于多序列mri特征增强的乳腺肿瘤分类...
【专利技术属性】
技术研发人员：王红玉，王二娟，郝焱芳，常思佳，丁松涛，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。