[发明专利]一种T2加权影像特征生成动态增强影像特征的方法

权利要求书

1.一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，包括以下步骤：

S1：构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE-MRI影像，T2WI影像，样本的类别标签；

S2：对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE-MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房；

S3：对于S2分割完成后获得的乳房数据集，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像；

S4：数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集；

S5：基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练,得到DCE-MRI影像特征提取器和T2WI影像特征提取器；

S6：对于S3获得的6通道DCE-MRI影像和3通道T2WI影像，利用S5中获得的DCE-MRI影像特征提取器和T2WI影像特征提取器分别提取DCE-MRI影像特征和T2WI影像特征；

S7：对于S6获得的DCE-MRI影像特征数据集和T2WI影像特征数据集，利用基于深度生成对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-MRI影像特征；

S8：在测试集上，测试基于T2WI影像特征生成的新DCE-MRI影像特征的病理信息诊断性能。

2.如权利要求1所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S5中的卷积神经网络是ResNet，其中特征提取器为ResNet的骨干网络，分类器为ResNet的全连接层分类器。

3.如权利要求2所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述乳腺癌分类预训练的具体步骤如下：

A1：向特征提取器传入图像，推理获得图像的特征z；

A2：将图像的特征z，传入分类器，获得图像的预测值

A3：结合图像的真实标签y，计算模型的分类损失，其损失函数为：

A4：根据分类损失L，利用梯度下降的方法对特征提取器和分类器里的参数进行更新；

A5：重复上述步骤A1-A4，并利用早停机制保留模型训练过程中的参数；

A6：乳腺癌影像数据集存样本不均衡性，采用AUC为模型的评价指标对模型进行评价。

4.如权利要求3所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述AUC的评价方式为：

其中i为一个属于阳性的样本，rank_i表示将测试集中的所有样本的概率按照从高到低进行排序，样本i排在第rank_i位置，M为阳性样本的个数，N为阴性样本的个数。

5.如权利要求4所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述步骤S5包括如下步骤：

S51：基于DCE-MRI影像数据，使用基于卷积神经网络的影像分类方法，训练DCE-MRI影像分类网络，获得DCE-MRI影像的特征提取器和分类器；

S52：基于T2WI影像数据，使用基于卷积神经网络的影像分类方法，训练T2WI影像分类网络，获得T2WI影像的特征提取器和分类器。

6.如权利要求5所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S7中的生成对抗网络包括编码器，解码器，生成器和鉴别器，所述编码器和解码器构成一组自编码器，所述生成器和鉴别器构成了生成对抗网络。