[发明专利]一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法

说明书

本发明涉及一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。动态选择乳腺癌核磁共振图像1％‑99％范围的CT值进行归一化预处理后输入YOLO_v2检测模型，验证集的损失及分类准确率、获得深度检测网络模型，并将图片送入该模型得到检测框；然后采用k‑mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet分割模型进行训练，得出肿瘤区域分割模型，根据之前获得的检测框选择144*144像素块送入该区域分割模型得到分割概率图，再将该图根据之前获得的置信度最大框中心点映射到原图，即得最终肿瘤分割图。具有分割效率、准确率高等优点。

技术领域

本发明公开一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，属于图像信息处理技术领域。

背景技术

乳腺癌是危害妇女健康的主要恶性肿瘤之一，也是我国近几年发病率增长较快的恶性肿瘤之一。乳腺癌主要分为四种分子亚型：Luminal-A、Luminal-B、HER2、3-negative，分子亚型与乳腺癌的患者预后、治疗方式以及治疗反应密切相关。不同分子亚型的乳腺癌在总生存期和是否复发等问题存在明显差异。分割乳腺癌肿瘤区域主要是依靠影像学医生进行手动标记，耗时耗力。由于近年来计算机的存储性能和计算性能的大幅度提高，借助计算机进行诊断已经慢慢流行开来。但是在我国图像处理的技术研究仍然很少，所以研究一套针对影像学图像的分析工具十分重要。

研究计算机辅助系统(CAD)的目标不是为了完全代替医生，而是为了向医生提供更加准确的客观建议从而提高医生的工作效率，得到更加准确的诊断结果。虽然计算机辅助诊断具有诸多优势，但由于影像学图像呈现出高度的复杂性使得影像学图像的自动分析仍然是一个极具有挑战性的研究领域。

一个高效准确的乳腺癌分割方法能够提供精确的肿瘤区域，并且得到的结果可以延伸到将来影像学分析系统之中，为医生提供定量化的诊断信息，减小依靠经验观测图像所带来的主观误差；同时高效的分析系统将缩短病情分析的等待过程，为病人提供宝贵的治疗时间。

发明内容

本发明所要解决的技术问题是针对传统依靠人工手动标记乳腺癌肿瘤区域耗时耗力的不足，提出一种乳腺癌核磁共振图像分割方法，利用深度学习自动分割乳腺癌核磁共振图像中肿瘤区域，减小图像观测的主观误差，提高标记分割效率。

为解决上述技术问题，本发明提供一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法，具体步骤是：

(1)预处理核磁共振图像：动态选择乳腺癌核磁共振图整张图像1％-99％范围的CT值，对其进行归一化预处理，解决核磁共振技术本身原因而导致每张图像肿瘤区域的CT值不固定问题；

(2)粗检测肿瘤区域：采用YOLO_v2检测模型，将经步骤(1)处理得到的图片作为检测模型的输入，反复验证集的损失及分类准确率、调整神经网络的权值，获得网络权值系数准确率较高、损失值较小的深度检测网络模型，再将图片送入该深度检测网络模型得到检测框；由于乳腺癌肿瘤区域本身较小，所以先进行肿瘤区域的粗检测；

(3)精分割肿瘤区域：采用k-mean算法聚类出乳腺癌核磁共振图片医生标记区域中心点取出144*144像素点的块，送入SegNet图像分割模型进行训练，得出肿瘤区域分割模型，再根据步骤(2)得到的检测框选择144*144像素块送入该肿瘤区域分割模型，得到分割概率图；

(4)获取肿瘤分割图：从步骤(3)得到的分割概率图，步骤(2)的检测框获得的置信度最大框中心点映射到原图，得到最终的肿瘤分割图。

所述步骤(1)中，经归一化预处理的图像，再通过翻转、镜像、调整对比度等，进行图像数据增强处理，以获得更好的鲁棒性。

所述步骤(2)中，深度检测网络模型的网络权值系数损失值一般小于0.01，可以根据实际需要具体确定。

本发明方法采用现有影像学图像分析计算机辅助系统和设备配合实施。