[發明專利]一種基于三維MRI圖像的多平面乳腺腫瘤分割方法

在審

• 申請號: 202110489066.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113192036A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 王波;范紅賓;童守迪;袁鵬;王狄
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于三維MRI圖像的多平面乳腺腫瘤分割方法，包括以下步驟：

A,分別從三個投影面(橫切面、矢狀面和冠狀面)的方向對3D-MRI圖像切片成若干個2D圖像，并進行預處理；

B,將每組2D圖像送入其對應所屬投影面的深度網絡模型進行分割；

C,將每個投影面分割得到的2D切片堆疊成一個三維體，對3個不同的三維體采用合適的組合規則融合在一起，作為最終3D分割結果。

2.根據權利要求1所述的基于三維MRI圖像的多平面乳腺腫瘤分割方法，其特征在于，所述的步驟A中將3D-MRI圖像分別從橫切面、矢狀面和冠狀面三個方向進行切片，根據腫瘤標簽把原圖中含有腫瘤信息的切面輸出為2D圖像；并對得到的2D切片進行歸一化、二值化預處理。

3.根據權利要求1所述的基于三維MRI圖像的多平面乳腺腫瘤分割方法，其特征在于，所述的步驟B中2D圖像分割包括以下內容：

A，從每個投影面中分割圖像的內部模型是2D U-net，對分別對來自橫切面、矢狀面和冠狀面的2D切片進行分割；

B，對訓練集圖像做旋轉、鏡像等數據增強處理，訓練網絡，調整網絡參數，選擇的優化器是自適應矩估計優化器(Adam)，損失函數使用Dice函數和二進制交叉熵損失(BCELoss)混合函數，通過不斷減少loss來優化網絡模型。Loss定義為：

其中，G表示訓練數據的真實標簽值，P表示當前模型的預測值，N_P為P中的像素數。

C，利用測試集在2D U-net模型進行測試，保留最佳分割模型。

4.根據權利要求1所述的基于三維MRI圖像的多平面乳腺腫瘤分割方法，其特征在于，所述的步驟C中對三個三維體通過組合規則融合成一個3D分割結果，包括以下內容：

A，每個投影面的分割模型都提供一個由2D切片堆疊在一起的三維體；

B，對來自不同投影面的3個三維體，采用合適的組合規則融合成一個3D體積的分割結果；

C，有多種組合規則，例如：

Q1.“與”：一個體素的類別是由相同體素位置的3個分類器的輸出做邏輯“與”操作，即3個相同位置體素全為腫瘤組織時，輸出為腫瘤組織；

Q2.“或”：一個體素的類別是由相同體素位置的3個分類器的輸出做邏輯“或”操作，即3個相同位置體素中有一個為腫瘤組織時，輸出為腫瘤組織；

Q3.“多數票策略”：一個體素的類別是由相同體素位置的3個分類器的輸出做投票操作，即3個相同位置體素中有兩個及兩個以上為腫瘤組織時，輸出為腫瘤組織。

5.根據權利要求3所述的2D圖像分割的深度網絡模型是改進2D U-net，在主干的編碼器和解碼器之間加入注意力模塊，增強重要的特征(如腫瘤組織特征)，抑制不重要的特征，從而提高網絡的表征能力。

6.根據權利要求5所述的注意力模塊，采用空間注意力模塊，中間特征圖(F)作為模塊的輸入，分別進行平均池化和最大池化，再進行7*7的卷積，并接著使用sigmod激活函數生成空間注意特征圖，最后與輸入特征圖做乘法得到輸出特征圖。空間注意模塊的輸出特征圖F^s∈R^H×W×C計算如下：

F^s＝F×σ(f^7×7([MaxPool(F)；AvgPool(F)]))

其中，f表示輸入特征圖，F^s表示輸出特征圖，f^7×7表示內核大小為7的卷積運算，σ表示Sigmoid函數。