[发明专利]一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法

说明书

本发明公开了一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，包括，获取乳腺的DCE‑MRI图像，将图像分割为患侧图像和健侧图像，构建基于对称引导的乳腺癌正常影像重建和异常组织提取模型，将患侧图像和健侧图像输入至模型中，获取患侧图像的正常组织图像和异常组织图像，设置模型的参数并进行训练，获取训练模型，获取需要进行正常影像重建的乳腺图像，将乳腺图像输入至训练后的基于对称引导的乳腺癌正常影像重建和异常组织提取模型，获取乳腺图像的正常组织图像和异常组织图像。能够有效的识别乳腺DCE‑MRI图像中的异常组织，并重建正常组织影像，基于对侧乳腺进行重建还可以有效避免乳腺个体差异带来的影响。

技术领域

本发明涉及医学影像分析处理技术领域，尤其涉及一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法。

背景技术

动态对比增强磁共振影像(Dynamic Contrast-Enhanced Magnetic ResonanceImaging，DCE-MRI)相较于X射线、超声等传统乳腺医学影像技术，对软组织病变具有较高的敏感性，是乳腺癌新辅助化疗(Neoadjuvant Chemotherapy，NAC)疗效评估中常用的最灵敏、最准确的影像学检查方法。研究表明(Lee H,Lee D E,Park S,et al.PredictingResponse to Neoadjuvant Chemotherapy in Patients With Breast Cancer[J].Clinical Nuclear Medicine,2019,44(1):21-29.)，DCE-MRI影像中除病灶外，纤维腺体组织、背景实质强化、淋巴结等正常组织信息可以提升疗效评估的准确性。然而，肿瘤占位会影响正常组织的信息提取，因此很多研究借助对侧乳腺进行分析，显然这种方式会导致分析不准确。

目前，图像分解技术在医学影像正常组织与异常组织分离方面取得了成功。李淑娟(李淑娟.基于乳腺动态增强MRI的分解与配准[D].大连理工大学,2016.)和Liu(Liu H,Zheng Y,Liang D,et al.Total variation based DCE-MRI decomposition byseparating lesion from background for time-intensity curve estimation[J].Medical Physics,2017,44(6):2321-2331.)在全变分分解的框架下根据病灶周围不同组织成像的特异性进行分解，发现全变分约束可以表征乳腺癌异常组织增强的连续性，分别将提取具有灰度一致性的纹理图像用于配准和将获取的单纯的病变增强信息用于准确TIC曲线的绘制。该工作主要关注病灶附近邻域区域的异常组织提取，分解范围小，因此没有考虑病灶外乳腺正常组织。Kawata等人应用结构-纹理分解获得3D胸部CT图像中肺结节纹理的空间构型(Y.Kawata,N.Niki,M.Kusumoto,et al.A preliminary study ofvisualizing texture components of stage IA lung adenocarcinoma in three-dimensional thoracic CT images with structure-texture image decomposition[C],Biomedical Applications in Molecular,Structural,and Functional Imaging,2020.)，通过提取肺结节中的纹理信息，用于分析肿瘤异质性等肿瘤内部信息，并进一步实现3D肺结节纹理结构可视化，该模型需要预先对肺结节区域进行手动分割，无法实现异常区域的自动化识别。

综上所述，当前对乳腺组织影像进行重建存在以下问题：图像中肿瘤占位会影响正常组织的信息提取，借助对侧乳腺进行分析导致分析不准确；没有考虑病灶外乳腺正常组织，主要关注病灶附近邻域区域的异常组织提取，分解范围小；需要预先对图像区域进行手动分割，无法实现异常区域的自动化识别。

发明内容

本发明提供一种基于对称引导的乳腺癌患者正常乳腺组织影像重建方法，以克服上述技术问题。