[发明专利]动态增强磁共振成像处理方法、系统、存储介质、终端

说明书

本发明属于医学图像处理、计算机辅助诊断技术领域，公开了一种动态增强磁共振成像处理方法、系统、存储介质、终端，在获取的乳腺癌DCE‑MRI的多期图像中，对原发肿瘤区域进行全自动分割和处理；对分割后的结果做掩模处理，并以得到的最大肿块的几何中心为准，划取三种尺度的感兴趣区域；同时将三种尺度下的多期感兴趣区域图像送入三个结合了卷积神经网络与长短期记性网络的连接结构，用于特征的提取与融合；将三种尺度下得到的多期融合特征送入软聚合模型中，用于整体特征的聚合，得到不同任务的预测结果。本发明克服了浅层架构的局限性，极大地提升了预测精度；可以直观地为乳腺癌患者的手术治疗提供完善的术前参考信息。

技术领域

本发明属于医学图像处理、计算机辅助诊断技术领域，尤其涉及一种动态增强磁共振成像(DCE-MRI)处理方法、系统、存储介质、终端。

背景技术

目前，乳腺癌是影响世界各地妇女最常见的恶性肿瘤，其较高的发病率和死亡率严重威胁着全球女性的身体健康。若是能早期发现、早期诊断乳腺癌肿瘤的相关信息，从而制定个性化治疗手段，可极大地降低乳腺癌患者的死亡率，取得良好的效果。术前确定乳腺癌肿瘤的良恶性、分子分型情况以及前哨淋巴结转移特性等都是对患者进行手术治疗安排的重要因素，目前临床上通常采用影像科医生阅片以及活检的形式来确定乳腺癌肿瘤的相关信息。但由于部分医生经验不足以及各地医院成像设备的参差不齐，仅通过肉眼阅片的形式来确定乳腺癌肿瘤信息就存在很大的误差。而活检作为一种侵入式手术，会给患者带来很多的并发症，造成长期的伤害。因此，建立一种可以术前无创预测乳腺癌肿瘤相关信息的诊断系统就具有十分重要的临床意义。目前已有一些针对乳腺癌的计算机辅助诊断系统被提出，但这些系统通常采用的都是传统的机器学习方法，并且只针对肿瘤的良恶性这一个问题进行研究。传统的机器学习方法需要人工计算图像特征，所涉及的流程复杂并且差异性较大，无法在乳腺癌肿瘤多种信息的诊断中扩展应用。近年来，基于深度学习的方法开始用于乳腺癌的诊断，但仍处于起步阶段。在采用的图像数据方面，使用的通常是单一的X光片、CT图像，或是经过简单处理的MRI图，而动态增强磁共振作为对乳腺病变诊断准确性最高的成像技术，却很少被充分使用。在划取感兴趣区域时，通常采用影像科医生手动勾画肿瘤的方式，并只选取单一尺度的感兴趣区域框，这也限制着计算机辅助诊断系统在乳腺癌多种相关信息诊断中的应用。

通过上述分析，现有技术存在的问题及缺陷为：

(1)传统机器学习方法流程复杂且差异性较大，在该领域无法扩展应用。

(2)动态增强磁共振成像技术包含多期有时间序列的图像，现有方法没有充分利用其多期图像信息，导致诊断效果欠佳。

(3)深度学习在该领域研究较少，所提出的网络较为简单，无法应用于乳腺癌多种信息的诊断。

解决以上问题及缺陷的难度为：

(1)基于传统机器学习对于乳腺癌的诊断，由于流程复杂，有效的特征提取、特征选择方法以及适合的分类器的采用都具有较大难度。

(2)动态增强磁共振成像技术具有多期图像，并且图像之间还具有时序关系，如何在系统中挖掘多期图像的时序信息具有很大的困难。

(3)深度学习在乳腺癌应用中的研究尚处于起步状态，如何设计网络使其能用于诊断乳腺癌的多种信息便具有较大难度。

解决以上问题及缺陷的意义为：

(1)自动地选择有用特征并将特征选择和分类器应用等步骤都集成在一个模型中，可以使系统在乳腺癌诊断的多个应用中扩展使用，提高精度的同时降低流程的复杂性。

(2)动态增强磁共振成像技术是目前对乳腺病变诊断准确性最高的方法，充分地利用其具有时序信息的多期图像，可以较大地提高乳腺癌诊断的准确性；