[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

说明书

基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置，能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。方法包括：(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。

技术领域

本发明涉及医学图像处理的技术领域，尤其涉及一种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，以及基于弱监督学习的乳腺核磁影像肿瘤分割的装置。

背景技术

乳腺癌是影响女性健康最常见的恶性肿瘤之一。早发现，早治疗能够有效降低乳腺癌的死亡率。目前X光，超声以及磁共振是检测肿瘤最常见的三种方式。其中磁共振成像(Magnetic Resonance Imaging，简称MRI)具有丰富的三维信息和较高的软组织分辨率，因此越来越多的被应用于乳腺癌的临床诊断中。

乳腺肿瘤诊疗的关键步骤之一就是乳腺肿瘤的精确分割。人工标注耗时久且依赖于医生的主观经验。利用计算机辅助诊断技术分割乳腺肿瘤，可大大提高医生的诊治效率。在过去的十几年中已经提出了一些分割算法用于乳腺肿瘤分割。主要包括模糊聚类，区域生长，水平集，图割等方法。但这些方法大多需要人工干预，并且耗时较长。

近年来随着深度学习的迅速发展，利用深度学习进行医学影像分割取得了显著的成就。尤其是利用监督学习的方法，基于大量有标注的数据进行训练，抽象学习影像高层特征，从而利用训练好的模型得到准确的分割结果。这些都需要完整的标注信息来训练分割模型，但是像素级的手工标注十分耗时。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。

本发明的技术方案是：这种基于弱监督学习的乳腺核磁影像肿瘤分割的方法，其包括以下步骤：

(1)标注MRI影像中的最大肿瘤截面，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。

本发明通过标注MRI影像中的最大肿瘤截面，作为分割标签，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，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，因此充分利用不完整的标注信息结合肿瘤体积预测，既能对训练集中存在的不完整标注样本进行补全，又能对新的完全未标注样本进行准确的预测，能够利用不完整的标注信息训练分割模型，在保证精度的同时，大大提高了分割的效率。

还提供了基于弱监督学习的乳腺核磁影像肿瘤分割的装置，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；