[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

说明书

一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本发明成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。

技术领域

本发明属于图像处理技术领域，特别是涉及一种T2加权影像特征生成动态增强影像特征的方法。

背景技术

乳腺癌的早诊断、早治疗能够有效的降低患者的死亡率，提升其远期生存率。磁共振成像(Magnetic Resonance Imaging，MRI)检查是最普及的乳腺癌诊断方式之一，具有多种成像参数，包含动态增强影像(Dynamic Contrast Enhancement Magnetic ResonanceImaging，DCE-MRI)，T2加权影像(T2Weighted Imaging，T2WI)，弥散加权成像(DiffusionWeighted Imaging，DWI)等，不同参数的成像有各自的特点。其中，DCE-MRI通过获得多组注入造影剂前后的高质量影像，获得病变的形态和血流动力学信息，对乳腺癌的诊断具有较高的灵敏度，临床上常用于乳腺癌的分期评估和分子分型的评估。

然而，DCE-MRI拍摄成本高，扫描时间长，需要增强注射造影剂，给造影剂不耐受的患者带来较大的风险。T2WI是标准MRI检查中另一种基础常规扫描，拍摄简易快捷，无需注射对比增强剂，常用于排除囊肿、乳房内淋巴结和其他良性乳腺病变，在临床应用中对医生进行乳腺癌的诊断有重要作用，但其相对于包含更丰富的病灶信息的DCE-MRI，敏感度较低。

因此，研究基于深度对抗网络的T2加权影像特征生成动态增强影像特征方法，基于T2加权(T2WI)影像特征生成新的动态增强(DCE-MRI)影像特征，利用新生成的动态增强影像特征进行乳腺癌病理信息预测，提升T2加权影像的病理诊断价值，对于推广其在乳腺癌诊断上的应用，降低就医成本具有重要实用价值和意义。

发明内容

本发明的目的是提出一种基于深度对抗网络的T2加权影像特征生成动态增强影像特征的方法，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T2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；