[发明专利]基于层次卷积神经网络的乳腺癌MRI分割方法

权利要求书

1.一种基于层次卷积神经网络的乳腺癌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)，其具体步骤为，

Q1，训练一个全卷积网络FCN模型(FCN-1)，采用3D U-Net架构来获取输入图像的全局和局部结构信息，以估计感兴趣的区域即乳房掩膜；

Q2，以乳房掩膜为引导，训练另外两个FCN模型(FCN-2和FCN-3)，分别估计粗分割结果和细化初始结果，至此可以检测输入图像中的所有肿瘤区域；

Q3，为了从所有检测到的肿瘤中识别出活检肿瘤，进一步开发了一种基于标记点的检测模型(FCN-4)，以检测用于活检肿瘤选择和放射基因组学的两个标记点。

2.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q1步骤中，全卷积网络FCN模型(FCN-1)对每个输入的对比增强前图像进行学习生成乳房掩膜；用降采样的预对比图像来训练FCN-1，该训练过程使用二进制交叉熵损失函数，图像规格为1.5×1.5×1.5mm³的分辨率。

3.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q2步骤中，粗分割具体为：

训练另一个全卷积网络FCN模型(FCN-2)，包含尽可能多的类肿瘤体素来获得高灵敏度乳腺肿瘤的粗分割结果，同样采用3D U-Net架构来获取输入图像的全局和局部结构信息，存在一条收缩路径和一条扩展路径，收缩路径的每个步骤由3×3×3卷积，批处理归一化、校正线性单元(ReLU)和2×2×2最大池化操作，扩展路径的每个步骤都包括一个3×3×3向上卷积，然后是与收缩路径中的相应特征映射的级联过程，以及一个3×3×3卷积；

FCN-2中设有激活函数，在最后一层的激活函数是一个sigmoid函数，因此输出被归一化为[0，1]，即FCN-2的输出是每个体素属于肿瘤区域或背景的概率。

4.根据权利要求3所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，激活函数为类骰子灵敏度(Dice-Sensitivity-like)损失函数，其形式定义为：

其中，

X_n,v表示第n个输入数据X_n的第v(v＝1，...，V)体素；

X_n的金标准分割概率图为S_n，第v个元素表示为S_n,v；

f(X_n,v,W₂)是通过使用FCN-2的网络系数W₂对X_n,v的概率估计；

N是训练图像的数量。

5.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q2步骤中，细分割具体为：

训练第三个全卷积网络FCN模型(FCN-3)，以精确定位肿瘤区域。包含三个通道，分别为通过FCN-2生成的粗略分割概率图，对比增强后图像和减影图像。FCN-3的重点是准确估计肿瘤的位置，采用以下Dice-like损失函数：

其中，g(X'_n,v,W₃)是通过使用FCN-3的网络系数W₃的概率估计，X'_n,v是具有3个通道的输入数据X'_n的第v个(v＝1,…,V)体素。

6.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌MRI分割方法，其特征在于，在Q3步骤中，具体为以下三个步骤：

Q31：肿瘤标记：标记FCN-3生成的分割图像中所有可能的肿瘤，首先，利用图像侵蚀和图像扩张以去除可能的噪音，并连接可能的非肿瘤区域；然后，计算出图像上的连接分量，以获得每个肿瘤的掩膜；最后，利用肿瘤掩膜从原始分割图像中定位出相应的肿瘤；

Q32：标记点检测：为了自动计算每个肿瘤的时钟位置，首先定义位于左、右乳头的两个标志点，分别记作NL和NR；然后，训练一个具有U-Net架构的标记点检测器(FCN-4)，该检测器的输入为对比增强前图像，输出为两个标记点的热图；

Q33：活检肿瘤选择：以检测到的两个乳头标记点为时钟中心，计算每个检测到的肿瘤的时钟位置，肿瘤的左右位置信息由它们到两个标记点的距离来定义，时钟信息由乳头标记点和肿瘤的位置来定义，其中以乳头标志点作为时钟中心，根据每个肿瘤的估时钟位置和临床记录中活检肿瘤的时钟位置，最终从所有检测到的肿瘤中识别出活检肿瘤。