[发明专利]基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置

权利要求书

1.基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：其包括以下步骤：

(1)标注MRI影像中最大肿瘤截面，作为分割标签；

(2)对MRI影像进行灰度归一化和降低分辨率的处理；

(3)将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；

(4)将待分割图像输入到所述网络模型中进行分割，获得分割结果；

(5)基于步骤(4)的分割结果，选取最大连通域去除噪声，得到最终分割结果。

2.根据权利要求1所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(1)中，将乳腺肿瘤看作球体，在MRI影像中勾画单张最大横截面作为不完整的金标准。

3.根据权利要求2所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(2)中，对MRI影像进行预处理，利用z-score标准化，并将影像下采样为256*256*48大小。

4.根据权利要求3所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，借鉴Millertari et al.的V-net网络框架，并引入注意力门控模块增大感受野和捕获上下文信息，在不相关的背景区域中抑制特征响应。

5.根据权利要求4所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，解码器侧的特征图g上采样，并卷积后与编码器侧的特征图x^l一同送入注意力门控模块；两者通过注意力门控模块计算得到特征图与解码器上采样后的特征图级联。

6.根据权利要求5所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，令Ω表示训练图像，|Ω|表示训练图像的像素数，表示不完整标注的金标准，损失函数为公式(1)：

H(S)+λC(V_s) (1)

其中S＝[S₁,…,S_|Ω|]∈[0,1]^|Ω|是网络在每个像素p处生成的概率向量；

损失函数的第一项为加权交叉熵，由于无标注的体素不能为学习过程提供有效信息，因此仅利用有标注的部分体素进行弱监督学习，表示为公式(2)：

损失函数的第二项C(V_s)为乳腺肿瘤的体积约束项，表示为公式(3)：

其中V_s＝∑_p∈ΩS_p为预测体积大小，λ是一个正数，决定体积预测约束的重要性,

根据弱标签标注体素数目V_g，估计肿瘤体积为：a＝V_p/1.5b＝V_p*1.5分别表示肿瘤体积约束的上下界。

7.根据权利要求6所述的基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其特征在于：所述步骤(3)中，λ设置为0.01。

8.基于弱监督学习的乳腺核磁影像肿瘤分割的装置，其特征在于：其包括：

标注模块，其配置来标注MRI影像中最大肿瘤截面，作为分割标签；

预处理模块，其配置来对MRI影像进行灰度归一化和降低分辨率的处理；

网络模型构建模块，其配置来将处理后的MRI影像和分割标签输入到深度学习神经网络中，结合体积预测弱监督损失，对深度学习神经网络进行训练，获得网络模型；

分割模块，其配置来将待分割图像输入到所述网络模型中进行分割，获得分割结果；

去噪模块，其配置来基于分割模块的分割结果，选取最大连通域去除噪声，得到最终分割结果。