[发明专利]基于层次卷积神经网络的乳腺癌MRI分割方法

说明书

本发明公开了一种基于层次卷积神经网络的乳腺癌MRI分割方法，融合了多种算法，其具体步骤为，训练一个全卷积网络FCN模型，采用3D U‑Net架构来获取输入图像的全局和局部结构信息；以乳房掩膜为引导，训练另外两个FCN模型，分别估计粗分割结果和细化初始结果；开发基于标记点的检测模型，以检测用于活检肿瘤选择和放射基因组学的两个标记点，很好的解决了乳腺DEC‑MR图像分割中的常见问题，包括类不平衡问题和混淆等不易解决的问题，设计了学习框架来对乳腺肿瘤进行由粗到细的分割；使用肿瘤位置信息和标记信息来确定所有检测到的肿瘤中的活检肿瘤，自动检测，设计巧妙，精确率高，便于普及推广和使用。

技术领域

本发明涉及医疗科技技术领域，特别涉及一种基于层次卷积神经网络的乳腺癌MRI分割方法。

背景技术

乳腺癌是除皮肤癌以外美国女性中最常见的癌症。中国不是乳腺癌的高发国家，但不宜乐观，近年我国乳腺癌发病率的增长速度却高出高发国家1～2个百分点。据国家癌症中心和卫生部疾病预防控制局2012年公布的2009年乳腺癌发病数据显示：全国肿瘤登记地区乳腺癌发病率位居女性恶性肿瘤的第1位，女性乳腺癌发病率(粗率)全国合计为42.55/10万，城市为51.91/10万，农村为23.12/10万。

近年来的研究和临床研究表明，动态对比增强磁共振成像(DCE-MRI)能同时显示乳腺癌的生理组织特征和解剖结构，是乳腺癌诊断的有效工具。最近研究也表明，通过算法提取的特征可用于识别乳腺癌肿瘤的基因组组成和预测患者的预后。在此背景下，相关的研究人员提出了一些特征来表征DCE-MR图像，如肿瘤形态、纹理和增强动力学等。然而，这些特征高度依赖于精确的肿瘤分割。因此，DCE-MR图像中乳腺肿瘤的准确分割对于乳腺癌的自动分析是一项非常重要的任务。

虽然已有许多方法用于一般的肿瘤分割，但在DCE-MRI中用于乳腺肿瘤分割的方法却很少。常用的肿瘤分割方法有四种：

(1)手工标注：这是最直接的方法，由放射科医生手工标注肿瘤区域，这种方法不仅耗时而且容易出错。

(2)基于图谱的方法：尽管各种基于图谱的方法(通过图像配准)已经取得了令人满意的结果，但由于乳腺肿瘤通常没有固定的位置和规则的形态，因此这种方法不能准确地识别乳腺肿瘤。

(3)半自动方法：已经开发了几种半自动乳腺肿瘤分割方法。然而，由于直接从混淆的器官或血管中识别乳腺肿瘤非常困难，因此，这些方法需要由放射科医生为肿瘤画出预先定义的区域(例如边界框)。

(4)基于学习的方法：作为一种替代方法，基于学习的组织分割方法在血管分割、器官分割、肿瘤分割和计算机辅助疾病分析等医学应用中取得了显著的效果。最近，基于深度学习的方法，例如卷积神经网络(CNN)和全卷积网络(FCN)，在医学成像分析中取得了最新的性能。但有研究提出，FCN分割肿瘤的一个共同挑战是肿瘤区域(阳性类)中的体素数目远小于背景(阴性类)中的体素数目，导致严重的类不平衡问题。然而，在以往的乳腺肿瘤分割的深度学习方法中很少考虑到这一问题。此外，DCE-MRI中的混杂背景(如血管结构和器官)使乳腺肿瘤分割的任务更具挑战性。

与本发明相关的现有技术

半自动分割方法：

DCE-MRI对乳腺肿瘤分割的研究较少，且多为半自动方法。模糊C均值(FCM)是一种典型的基于聚类的肿瘤分割方法。这种方法通常需要对放射科医生定义的肿瘤进行粗略的定位(例如包围盒)，因为要区分乳腺肿瘤与混杂的组织、血管和其他器官是很困难的。另一种应用于乳腺肿瘤分割的半自动方法是基于图切割的方法，在这种方法中，肿瘤首先被指定，然后通过人工标注进行大致分割。

缺点：无论是哪一种半自动分割方法，它们都高度依赖于肿瘤的预定义切片或区域(例如边界框等)，而这些区域需要放射科医生的劳动密集型注释。

基于学习的分割方法：