[發明專利]一種基于融合注意力機制的乳腺MRI自動輔助診斷新方法

有效

• 申請號: 202010345214.8
• 申請日: 2020-04-27
• 公開（公告）號: CN111401480B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 王培軍;薛宏偉;高燕;吳曉芬;陳浩;錢光武
• 申請（專利權）人: 上海市同濟醫院;深圳視見醫療科技有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/77;G16H30/20;G16H50/20;G06N3/0464
• 代理公司: 上海卓陽知識產權代理事務所(普通合伙) 31262
• 代理人: 周春洪

1.一種基于融合注意力機制的乳腺MRI自動輔助診斷新方法，其特征在于，所述的乳腺MRI自動輔助診斷新方法包括以下步驟：

S1：人工選取乳腺分割數據集，訓練DenseUNet模型，將乳腺的TSE序列輸入到訓練好的DenseUNet模型進行乳腺分割，并去除胸腔中干擾腫瘤檢測的器官；

S2：將S1得到的分割結果映射到DCE序列，得到分割后的乳腺組織，將其輸入到具有注意力機制的DenseUNet模型ADUNet進行腫瘤分割,針對類不平衡和困難樣本問題，在訓練過程中采用Focal?Loss以防止模型偏移；

S3：將S2得到的結果輸入到一個輕量級的神經網絡中，進行良惡性判斷，得到輔助診斷結果；

所述的步驟S2中的ADUNet中具有注意力塊的上采樣塊UB操作包括：

S241：將低級特征圖x通過步長為2的3×3卷積，得到分辨率和高級特征圖g一樣的新特征圖x₁；

S242：將高級特征圖g通過1×1卷積降低其通道數，使其和S241得到的新特征圖x₁的通道上一致，并與其相加，得到新特征圖f₁；

S243：將S242得到的新特征圖f1依次通過1個步長為1的1×1卷積和Sigmoid激活函數，得到一個單通道的空間方向的注意力權重圖m₁，通過雙線性插值的方法將注意力系數圖m₁的長和寬擴大兩倍的到注意力權重圖m₂；

S244：將高級特征圖g依次通過全局平均池化，1×1卷積和Sigmoid激活函數，得到一個1×1×c的通道方向想的注意力系數向量v₁，c表示低級特征圖x的通道數；

S245：將低級特征圖x與注意力權重圖m₂和注意力系數向量v₁相乘，得到注意力塊的輸出，即低級特征圖x₂，高級特征圖擁有豐富的語義信息，通過注意力塊，低級特征圖中的前景區域在高級特征圖的指導下可以得到增強；

S246：通過上采樣將高級特征圖的長和寬擴大兩倍，得到新的高級特征圖g₂；

S247：將高級特征圖g₂和x₂進行拼接，組成新的特征圖f₂，并將其依次通過3×3卷積，組標準化GN，ReLU激活函數和dropout層，進而融合上下文信息，GN是批標準化BN的替代品，并且不要求很大的批量Batch?size，Dropout層可以降低過擬合情況。

2.根據權利要求1所述的乳腺MRI自動輔助診斷新方法，其特征在于，所述的步驟S1具體包括：

S11：采用無監督的經典方法對TSE序列進行乳腺分割，并人工選取分割結果較好的作為數據集；

S12：根據S11得到的數據集對DenseUNet訓練，將所有病人的TSE序列輸入到訓練好的DenseUNet中，得到每一個TSE序列對應的二值乳腺掩膜。

3.根據權利要求1所述的乳腺MRI自動輔助診斷新方法，其特征在于，所述的步驟S2具體包括：

S21：將每一個病人的TSE序列與DCE序列配準，根據配準結果，將S12得到的二值乳腺掩膜也做相應變換，并與DCE序列進行點乘，以去除DCE序列中的干擾組織和器官；

S22：將S21得到的DCE序列進行統一剪裁，以去除部分黑色背景，降低負樣本的個數；

S23：將DCE序列的腫瘤標注圖做S22中同樣的剪裁操作，與S22得到的剪裁后的DCE圖像構成腫瘤分割的數據集；

S24：利用預訓練DenseNet-161中前160層的權重對所提出的ADUNet的編碼器進行初始化；

S25：根據S23得到的數據集進行三通道的圖像表示，并將其輸入到ADUNet進行訓練，對所有病人的DCE序列進行新的圖像表示，輸入到訓練好的ADUNet中，得到腫瘤的分割結果。