[發(fā)明專利]DAC-GAN模型構建方法及在乳腺MR圖像中的應用

在審

• 申請?zhí)枺?/td>: 202010908987.2
• 申請日: 2020-09-02
• 公開（公告）號: CN112132790A
• 公開（公告）日: 2020-12-25
• 發(fā)明（設計）人: 陳寶瑩;王蘋蘋;聶品;李鐵柱;黨艷麗;王麗芳;朱開國;馬小偉
• 申請（專利權）人: 西安國際醫(yī)學中心有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 寧文濤

本發(fā)明公開了一種DAC?GAN模型構建方法及在乳腺MR圖像中的應用，步驟1、獲取乳腺MR圖像數(shù)據(jù)集D，所述數(shù)據(jù)集D內(nèi)數(shù)據(jù)包括M個患者的T1WI序列、DWI序列、T2WI序列、DCE動態(tài)增強序列圖像以及該患者的診斷結(jié)果；步驟2、將步驟1得到的數(shù)據(jù)集D中M個T1WI序列圖像設為T1數(shù)據(jù)集，將DCE動態(tài)增強序列圖像設為DCE數(shù)據(jù)集；步驟3、將步驟2得到的T1數(shù)據(jù)集和DCE數(shù)據(jù)集進行灰度值歸一化，步驟4、通過引入Non?local注意力網(wǎng)絡和Channel?attention網(wǎng)絡改進現(xiàn)有的GAN模型得到構建DAC?GAN模型，通過該模型可對待測乳腺MR圖像進行推演。

技術領域

本發(fā)明屬于醫(yī)學圖像應用技術領域，具體涉及一種DAC-GAN模型構建方法，還涉及上述DAC-GAN模型在乳腺MR圖像中的應用。

背景技術

目前，乳腺癌已經(jīng)成為全球女性癌癥死亡的主要原因，早發(fā)現(xiàn)、早診斷，早治療能夠顯著提升乳腺癌患者的5年生存率，動態(tài)增強掃描(Dynamic contrast-enhanced MRI，DCE-MRI)作為一種非常有價值的定量MRI技術，在乳腺癌早期發(fā)現(xiàn)及診斷中作出了巨大作用。但是傳統(tǒng)的乳腺MR檢查耗時長、費用高，并且存在患者造影劑過敏的風險及造影劑導致的相關不良反應，如釓劑在腦內(nèi)沉積、腎功異常等。隨著“互聯(lián)網(wǎng)+醫(yī)療”時代的到來，人工智能技術已經(jīng)解決了不少臨床醫(yī)學問題，使得設計及開發(fā)新型乳腺影像輔助診斷技術成為可能。近年來，生成對抗網(wǎng)絡(Generative Adversarial Networks,GAN)通過特征提取和目標生成的方式實現(xiàn)了推演圖像的生成，使醫(yī)學圖像的生成和圖像質(zhì)量的提升不再單純的依賴硬件采集的原始數(shù)據(jù)，為醫(yī)學圖像獲取、圖像質(zhì)量改進及圖像的轉(zhuǎn)化提供了新的思路和可能。Cai L等研究者運用GAN技術實現(xiàn)了推演PET的生成，F(xiàn)rid-Adar和Mishra D等人也分別實現(xiàn)了CT和超聲推演圖像的生成。并且，Huang等利用基于上下文感知的GAN網(wǎng)絡通過腦部的T1圖像推演生成了T1增強、T2及T2 Flair圖像，而且推演圖像可進一步提升膠質(zhì)瘤評級的準確性，該研究證明了推演圖像在臨床診斷中的潛在價值。雖然GAN在醫(yī)學影像領域的研究進展喜人，但多集中在影像模態(tài)之間的轉(zhuǎn)化，部分生成的圖像質(zhì)量仍不能滿足臨床需求；另外，GAN算法在乳腺MR序列圖像推演中的相關研究仍處于起步階段。本發(fā)明針對圖像推演技術現(xiàn)存的缺陷，提出了一種基于DAC-GAN模型的構建方法。

發(fā)明內(nèi)容

本發(fā)明的第一個目的是提供一種DAC-GAN模型構建方法，構建出的DAC-GAN模型不僅能夠?qū)崿F(xiàn)MR不同序列圖像間的轉(zhuǎn)化，還能提高現(xiàn)有乳腺MR圖像提取的準確性。

本發(fā)明的第二個目的是提供DAC-GAN模型在乳腺MR圖像中的應用。

本發(fā)明所采用的第一種技術方案是：DAC-GAN模型構建方法，具體按照以下步驟進行：

步驟1、獲取乳腺MRI圖像數(shù)據(jù)集D，所述數(shù)據(jù)集D內(nèi)數(shù)據(jù)包括M個患者的T1WI序列、DWI序列、T2WI序列、DCE動態(tài)增強序列圖像以及該患者的診斷結(jié)果；

步驟2、將步驟1數(shù)據(jù)集D中M個T1WI序列圖像設為T1數(shù)據(jù)集，M個DCE動態(tài)增強序列圖像設為DCE數(shù)據(jù)集；

步驟3、將步驟2得到的T1數(shù)據(jù)集和DCE數(shù)據(jù)集進行灰度值歸一化，

步驟4、通過引入Non-local注意力網(wǎng)絡和Channel-attention網(wǎng)絡改進現(xiàn)有的GAN模型得到構建DAC-GAN模型。

本發(fā)明所采用第一種技術方案的特點還在于，

步驟3中灰度值范圍由0～255轉(zhuǎn)換為0～1。

步驟4中具體步驟如下：

步驟4.1：構建基于GAN網(wǎng)絡模型的圖像推演模型；

步驟4.2：引入Channel-attention網(wǎng)絡動態(tài)調(diào)節(jié)步驟4.1得到的圖像推演模型中各通道的權重系數(shù)；