[发明专利]一种基于多维度信息融合的乳腺MRI病变区域检测方法

说明书

本发明公开一种基于多维度信息融合的乳腺MRI病变区域检测方法，包括：采用卷积神经网络，对预设图像进行特征学习，使卷积神经网络学习到预设图像中病变区域和正常组织之间的差异；获取待检测的乳腺MRI图像，其包括：同一期连续断层图像和同一断层不同期图像；根据训练后的卷积神经网络，对同一期连续断层图像进行病变区域选取，获取一个以上候选窗口；采用循环神经网络，对同一断层不同期图像进行编码，获取同一断层不同期图像的信号强度与病变类型之间的相关信息；将一个以上候选窗口映射到相关信息中，通过预设的分类器进行分类，获取最终的病变区域检测结果。本发明提供的技术方案，能够更加准确地对乳腺中的病变区域进行检测。

技术领域

本发明涉及磁共振成像技术领域，尤其涉及一种基于多维度信息融合的乳腺MRI病变区域检测方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)技术是利用氢质子的核磁共振现象进行成像的一种技术。随着磁共振成像技术近年来不断成熟，其在乳腺疾病诊断中的重要性日益增加。乳腺磁共振技术对乳房病灶性质的进一步判断较为敏感，不仅对于病变的良恶性可以做进一步的判断，同时可以帮助医生识别病灶是否多发。特别的，乳腺磁共振技术在往病人体内注入造影剂后，根据造影剂在不同组织随着时间信号强度的变化，可以对病变的良恶性做出更加准确地判断。

目标检测是计算机自动识别图像中不同的物体内容，属于图像分析领域的基础任务之一。目标检测在只给定一张图像的情况下，不依赖于其他信息，仅通过计算机，将图像中的目标通过算法检出。医疗图像的目标检测，是针对于特定的医疗图像，例如影像图片、病理图片等进行病变目标检测。医疗图像的目标检测，通过计算机自动的图像分析处理，不仅能快速完成医疗图像的病变检测任务，还能进一步提高对病变区域检测的敏感度和特异度。

迄今为止，研究者在目标检测领域提出了很多有效的方法，特别是基于深度学习的较多算法在自然图像目标检测中取得了很好的效果。根据算法的特点，基于深度学习的目标检测算法可以分成两个类别：1、基于候选区域的方法，例如RCNN、Fast RCNN、FasterRCNN等算法，该类方法基于两个步骤：首先算法生成大量的可能为目标区域的候选窗口；其次通过学习分类器，对上述候选窗口进行判别，得到最后的目标窗口和可能区域。2、基于回归的方法，例如YOLO、SSD。这类方法直接对稠密的规则产生的窗口进行单个步骤的检测，在保持较高检测精度的同时，能够非常快速地得到检测结果。

在乳腺磁共振图像目标识别中，因为标注数据的匮乏以及磁共振图像与自然图像之间的差异性，直接利用自然图像的目标检测算法不能得到一个优异的结果。目前结果较好的方法是利用显著性检测对乳腺磁共振图像进行初步的分析处理，然后再进一步的利用深度网络对显著性检测得到的候选区域进行分类判断，这种方法在肿块检测中得到了较好的结果。但是，乳腺中有一部分病变区域的图像特征在单张影像图片中与正常的组织(例如，血管断面)具有较高的相似度，采用上述现有技术很难将它们进行有效区分。并且，现有的显著性检测在提取候选窗口时，对于病变区域的特征表达不全面，容易造成病变区域目标检测召回率不高。以上问题均导致对于乳腺磁共振图像的病变区域检测结果不准确。

发明内容

本发明旨在提供一种基于多维度信息融合的乳腺MRI病变区域检测方法，能够更加准确地对乳腺中的病变区域进行检测。

为达到上述目的，本发明采用的技术方案如下：