CN114581701A - 一种t2加权影像特征生成动态增强影像特征的方法 - Google Patents

一种t2加权影像特征生成动态增强影像特征的方法 Download PDF

Info

Publication number
CN114581701A
CN114581701A CN202210174552.9A CN202210174552A CN114581701A CN 114581701 A CN114581701 A CN 114581701A CN 202210174552 A CN202210174552 A CN 202210174552A CN 114581701 A CN114581701 A CN 114581701A
Authority
CN
China
Prior art keywords
image
dce
t2wi
mri
image features
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210174552.9A
Other languages
English (en)
Inventor
范明
楼俊鸿
厉力华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202210174552.9A priority Critical patent/CN114581701A/zh
Publication of CN114581701A publication Critical patent/CN114581701A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)

Abstract

一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本发明成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。

Description

一种T2加权影像特征生成动态增强影像特征的方法
技术领域
本发明属于图像处理技术领域，特别是涉及一种T2加权影像特征生成动态增强影像特征的方法。
背景技术
乳腺癌的早诊断、早治疗能够有效的降低患者的死亡率，提升其远期生存率。磁共振成像(Magnetic Resonance Imaging，MRI)检查是最普及的乳腺癌诊断方式之一，具有多种成像参数，包含动态增强影像(Dynamic Contrast Enhancement Magnetic ResonanceImaging，DCE-MRI)，T2加权影像(T2Weighted Imaging，T2WI)，弥散加权成像(DiffusionWeighted Imaging，DWI)等，不同参数的成像有各自的特点。其中，DCE-MRI通过获得多组注入造影剂前后的高质量影像，获得病变的形态和血流动力学信息，对乳腺癌的诊断具有较高的灵敏度，临床上常用于乳腺癌的分期评估和分子分型的评估。
然而，DCE-MRI拍摄成本高，扫描时间长，需要增强注射造影剂，给造影剂不耐受的患者带来较大的风险。T2WI是标准MRI检查中另一种基础常规扫描，拍摄简易快捷，无需注射对比增强剂，常用于排除囊肿、乳房内淋巴结和其他良性乳腺病变，在临床应用中对医生进行乳腺癌的诊断有重要作用，但其相对于包含更丰富的病灶信息的DCE-MRI，敏感度较低。
因此，研究基于深度对抗网络的T2加权影像特征生成动态增强影像特征方法，基于T2加权(T2WI)影像特征生成新的动态增强(DCE-MRI)影像特征，利用新生成的动态增强影像特征进行乳腺癌病理信息预测，提升T2加权影像的病理诊断价值，对于推广其在乳腺癌诊断上的应用，降低就医成本具有重要实用价值和意义。
发明内容
本发明的目的是提出一种基于深度对抗网络的T2加权影像特征生成动态增强影像特征的方法，包括以下步骤：
S1：构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE-MRI影像，T2WI影像，样本的类别标签；
S2：对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE-MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房；
S3：对于S2分割完成后获得的乳房数据集，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像；
S4：数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集；
S5：基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练,得到DCE-MRI影像特征提取器和T2WI影像特征提取器；
S6：对于S3获得的6通道DCE-MRI影像和3通道T2WI影像，利用S5中获得的DCE-MRI影像特征提取器和T2影像特征提取器分别提取DCE-MRI影像特征和T2WI影像特征；
S7：对于S6获得的DCE-MRI影像特征数据集和T2WI影像特征数据集，利用基于生成对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-MRI影像特征；
S8：在测试集上，测试基于T2WI影像特征生成的新DCE-MRI影像特征的病理信息诊断性能。
作为优选，所述S5中的卷积神经网络是ResNet，其中特征提取器为ResNet的骨干网络，分类器为ResNet的全连接层分类器。
作为优选，所述乳腺癌分类预训练的具体步骤如下：
A1：向特征提取器传入图像，推理获得图像的特征z；
A2：将图像的特征z，传入分类器，获得图像的预测值
Figure BDA0003518549040000023
A3：结合图像的真实标签y，计算模型的分类损失，其损失函数为：
Figure BDA0003518549040000021
A4：根据分类损失L，利用梯度下降的方法对特征提取器和分类器里的参数进行更新；
A5：重复上述步骤A1-A4，并利用早停机制保留模型训练过程中的参数；
A6：乳腺癌影像数据集存样本不均衡性，采用AUC为模型的评价指标对模型进行评价。
作为优选，所述AUC的评价方式为：
Figure BDA0003518549040000022
其中i为一个属于阳性(恶性)的样本，ranki表示将测试集中的所有样本的概率按照从高到低进行排序，样本i排在第ranki位置，M为阳性样本的个数，N为阴性样本的个数。
作为优选，所述步骤S5包括如下步骤：
S51：基于DCE-MRI影像数据，使用基于卷积神经网络的影像分类方法，训练DCE-MRI影像分类网络，获得DCE-MRI影像的特征提取器和分类器；
S52：基于T2WI影像数据，使用基于卷积神经网络的影像分类方法，训练T2WI影像分类网络，获得T2WI影像的特征提取器和分类器。
作为优选，所述S7中的生成对抗网络包括编码器，解码器，生成器和鉴别器，所述编码器和解码器构成一组自编码器，所述生成器和鉴别器构成了生成对抗网络网络。
作为优选，所述生成对抗网络的具体训练步骤如下：
S71：将T2WI影像特征输入到自编码器结构中，训练自编码器，其损失函数为
LAE＝MSE(x,Dec(Enc(x)))
其中MSE为均方误差，Dec为解码器网络，Enc为编码器网络，x为T2影像的特征，基于损失函数LAE，利用Adam优化器对自编码器网络的参数进行更新；
S72：对于T2WI影像特征，利用编码器对其进行编码，获得隐变量z；
S73：将隐变量z输入生成器中，生成新的伪DCE-MRI影像特征Xf；
S74：将真实的DCE-MRI影像特征Xr和基于T2WI影像特征生成的伪DCE-MRI影像特征Xf输入到判别器中，计算损失函数：
LD＝D(Xf)-D(Xr)
其中D为鉴别器，基于损失函数LD，利用Adam优化器对鉴别器的参数进行更新；
S75：固定鉴别器D的参数，将隐变量z输入到生成器中生成伪DCE-MRI影像特征Xf，计算损失函数：
LG＝-D(G(z))
其中G为生成器，基于损失函数LG，利用Adam优化器对生成器的参数进行更新；
S76：重复上述步骤S71～S75，对特征生成模块的编码器，解码器，生成器，鉴别器的参数进行更新，直到所有参数收敛并不再更新，生成对抗网络到此训练完成。
作为优选，所述S1中的样本的类别标签为乳腺癌良恶性标签。
本发明采用深度学习中的卷积神经网络提取影像特征，设计生成对抗网络基于T2加权影像特征生成DCE-MRI影像特征方法，并利用新生成的DCE-MRI影像特征进行病理信息分类。
相对于传统的直接基于卷积神经网络对T2加权影像进行病理信息分类的方法，本方法具有更高的灵敏度；相对于传统的直接基于卷积神经网络对DCE-MRI影像进行病理信息分类的方法，本方法不依赖DCE-MRI影像，成像成本低，扫描时间快，是一种更加低廉快捷的诊断方法。
附图说明：
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。
图1为本发明的结构框图；
图2为本发明中基于卷积神经网络的影像分类方法的网络结构图；
图3为本发明中基于生成对抗网络生成DCE-MRI影像特征方法的网络结构图；
图4为本发明中测试阶段基于深度对抗网络的T2加权影像乳腺癌病理信息诊断的数据流图；
图5为本发明具体实施案例中三种乳腺癌分类方法的ROC曲线，分别是基于深度对抗网络的T2加权影像乳腺癌分类结果(图例GAN指示的曲线)，基于卷积神经网络的T2WI影像乳腺癌分类结果(图例T2指示的曲线)和基于卷积神经网络的DCE-MRI影像乳腺癌分类结果(图例DCE指示的曲线)。
具体实施方式
以下结合本发明的附图和具体实施案例对本发明进行详细说明：
如图1所示，基于深度对抗网络的T2加权影像特征生成动态增强影像特征方法，一共包含六个模块，分别为：数据收集模块1、影像数据预处理模块2、影像分类预训练模块3、影像特征提取模块4、深度特征生成模块5和影像病理信息预测模块6。
影像收集模块1收集患者乳腺癌影像数据，每个样本包含三种类型的数据：DCE-MRI影像，T2WI影像，和样本的类别标签，本实施案例选取良恶性病理信息作为样本标签。DCE-MRI影像一共有6个序列，分别为注射增强造影剂前后的六个时间段扫描获得的影像，T2WI影像包含一个序列。
影像预处理模块2对模块1中收集的乳腺癌影像数据集进行数据预处理，主要包含乳房分割和通道拼接等预处理过程。
影像分类预训练模块3分别对DCE-MRI影像和T2WI影像基于卷积神经网络做分类训练。通过分类预训练，为后续深度特征生成模块提供DCE-MRI影像特征提取器、DCE-MRI影像特征分类器、T2WI影像特征提取器，T2WI影像特征分类器。
影像特征提取模块4提取影像特征。使用模块3中提供的DCE-MRI影像的特征提取器和T2WI影像的特征提取器分别提取对应影像的数据特征，结合样本的标签获得影像特征数据集。
深度特征生成模块5利用GAN进行DCE-MRI影像特征生成训练，利用GAN的生成能力，基于T2WI影像特征生成新的DCE-MRI影像特征，向T2WI影像特征迁入DCE-MRI影像域的先验知识，提升T2WI影像特征的病理信息诊断性能。
影像病理信息预测模块6，对基于T2WI影像特征生成的新DCE-MRI影像特征进行病理信息诊断测试，并与模块3中直接使用卷积神经网络的分类性能进行对比，评估生成对抗方法的有效性。
本实施案例选取的样本标签为良恶性标签，结合具体实施案例，本发明的实施步骤如下：
步骤1：收集数据构建乳腺癌良恶性数据集，本实例一共包含246例样本，其中良性样本139例，恶性样本107例，每个样本包含DCE-MRI和T2WI两种参数的MRI影像，其中DCE-MRI影像包含6个序列，分别为注射增强造影剂之前的蒙片序列S0和注射增强造影剂之后每隔1分钟扫描获得的增强序列S1～S5，T2WI影像包含一个序列。针对每个序列的影像，仅保留肿块最大径所在位置的图像，DCE-MRI影像和T2WI影像的分辨率均为448×448；
步骤2：对乳腺癌影像数据集进行数据预处理，利用乳房分割技术对乳房进行分割，去除图像中的胸腔和皮肤，仅保留有病灶的单侧乳房；
步骤3：对于分割后的乳房影像数据集，将所有裁剪后的乳房影像，通过在图像四周添加黑色边框的方式，统一图像大小到224×224，再将图像放大两倍到448×448，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，其数据形状为448×448×6，将T2WI图像在通道维度上复制三份，获得3通道的T2WI影像，其数据形状为448×448×3，将良性样本的标签值置0，恶性样本的标签值置1。此时，一个样本一共有三类数据：一张6通道的DCE-MRI影像，一张3通道的T2WI影像，样本的良恶性标签；
步骤4：根据分层抽样的原则，将分割后的乳房数据按照6：4的比例将数据集随机划分为训练集和测试集，划分结束后，训练集共包含147个样本，测试集共包含99个样本；
步骤5：基于训练集中的数据，按照图2中的基于卷积神经网络的图像分类方法，进行乳腺癌分类预训练，为后续深度特征生成过程提供训练好的特征提取器和分类器，选择的卷积神经网络为ResNet，其中特征提取器为ResNet的骨干网络，分类器为ResNet的全连接层分类器。训练的具体步骤如下：
步骤A1：向特征提取器传入图像，推理获得影像特征z；
步骤A2：将影像特征z，传入分类器，获得图像的预测值
Figure BDA0003518549040000063
步骤A3：结合图像的真实标签y，利用交叉熵计算模型的分类损失，其损失函数为：
Figure BDA0003518549040000061
步骤A4：根据分类损失L，利用Adma优化器对特征提取器和分类器里的参数进行更新，设定Adam优化器的初始的学习率为1e-5，参数β1＝0.9，参数β2＝0.99；
步骤A5：重复上述步骤A1-A4，一共重复3000次，每训练50个epoch将学习率调整为原来的0.9倍，采用早停机制保留模型训练过程中的参数；
步骤A6：以AUC为模型的评价指标对模型进行评价，AUC的计算方式为：
Figure BDA0003518549040000062
其中i为一个属于恶性的样本，ranki表示将测试集中的所有样本的概率按照从高到低进行排序，样本i排在第ranki位置，M为恶性样本的个数，N为良性样本的个数；
步骤6：利用图2的分类训练方法，选取ResNet50作为分类模型，基于DCE-MRI影像数据进行分类预训练，训练结束后，获得DCE-MRI影像的特征提取器和分类器。基于ResNet50，直接对DCE-MRI影像进行乳腺癌良恶性分类的AUC为0.903；
步骤7：利用图2的分类训练方法，选取ResNet34作为分类模型，基于T2WI影像数据进行分类预训练，训练结束后，获得T2WI影像的特征提取器和分类器，基于ResNet34，直接对T2WI影像进行乳腺癌良恶性分类的AUC为0.797，约比DCE-MRI影像的分类性能低0.1。
步骤8：对于所有乳房影像数据，利用预训练好的特征提取器分别提取DCE-MRI影像和T2WI影像的特征，DCE-MRI影像的特征维度是2048维，T2WI影像特征的维度为512维。；
步骤9：基于乳房影像特征数据集，利用基于生成对抗对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-MRI影像特征。
如附图3所示，整个深度特征生成网络一共有四个模块，分别是编码器，解码器，生成器和鉴别器，编码器和解码器构成一组自编码器，生成器和鉴别器构成了生成对抗网络。整个网络的具体训练步骤如下：
步骤B1：将T2WI影像特征输入到自编码器结构中，训练自编码器，其损失函数为
LAE＝MSE(x,Dec(Enc(x)))
其中MSE为均方误差，Dec为解码器网络，Enc为编码器网络，x为T2的特征。基于损失函数LAE，利用Adam优化器对编码器和解码器的参数进行更新，设定Adam优化器的初始的学习率为1e-5，参数β1＝0.9，参数β2＝0.99；
步骤B2：对于T2WI影像特征，利用编码器对其进行编码，获得隐变量z；
步骤B3：将隐变量z输入生成器中，生成新的伪DCE-MRI影像特征Xf；
步骤B4：将真实的DCE-MRI影像特征Xr和基于T2WI影像特征生成的伪DCE-MRI影像特征Xf输入到判别器中，计算损失函数：
LD＝D(Xf)-D(Xr)
其中D为鉴别器，基于损失函数LD，利用Adam优化器对鉴别器的参数进行更新，设定Adam优化器的初始的学习率为1e-5，参数β1＝0.9，参数β2＝0.99；
步骤B5：固定鉴别器D的参数，将隐变量z输入到生成器中生成伪DCE-MRI影像特征Xf，计算损失函数：
LG＝-D(G(z))
其中G为生成器，基于损失函数LG，利用Adam优化器对生成器和编码器的参数进行更新，设定Adam优化器的初始的学习率为1e-5，参数β1＝0.9，参数β2＝0.99；
步骤B6：重复上述步骤B1～步骤B5，对特征生成模块的编码器，解码器，生成器，鉴别器的参数进行更新，直到所有参数收敛并不再更新，特征生成方法到此训练完成；
步骤10：按照附图4的结构，基于测试集对深度特征生成方法的有效性进行测试。对于测试集中一个样本的T2WI影像特征，利用编码器提取其隐变量z，将隐变量输入生成器生成伪DCE-MRI影像特征Xf，利用步骤6预训练好的DCE-MRI影像特征分类器对Xf进行分类，输出Xf良恶性的概率。经过特征生成训练后，T2WI影像特征的乳腺癌良恶性分类AUC为0.846，相比较于原来的0.797提升了0.049的AUC，模型性能提升了6.15％。
附图5为本发明具体实施案例中三种乳腺癌分类方法的ROC曲线和对应的AUC值，分别是基于GAN的T2WI影像特征生成DCE-MRI影像特征的乳腺癌分类结果(GAN指示的曲线)，基于卷积神经网络的T2WI影像乳腺癌分类结果(T2指示的曲线)和基于卷积神经网络的DCE-MRI影像乳腺癌分类结果(DCE指示的曲线)。可以看出，利用基于GAN生成的DCE-MRI影像特征进行乳腺癌分类，其ROC曲线相比较于直接使用卷积神经网络进行分类的模型，更加逼近DCE-MRI影像的ROC曲线。用Bootstrap方法对GAN模型和卷积分类模型的AUC进行显著性检验，得到的P值为0.0239，即GAN模型的AUC显著大于卷积模型的AUC，利用新生成的DCE-MRI影像特征进行良恶性分类相对于直接使用T2WI影像特征进行分类，其分类效果提升显著。
本发明采用基于深度对抗网络的T2加权影像特征生成动态增强影像特征方法，较大幅度的提升了T2WI影像的乳腺癌病例信息诊断性能，进一步提升T2WI影像在乳腺癌临床诊断上的价值，进而形成更低价，更快捷的乳腺癌诊断模式。
上述具体实例方式用来解释本发明，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (8)

1.一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，包括以下步骤：
S1：构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE-MRI影像，T2WI影像，样本的类别标签；
S2：对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE-MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房；
S3：对于S2分割完成后获得的乳房数据集，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像；
S4：数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集；
S5：基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练,得到DCE-MRI影像特征提取器和T2WI影像特征提取器；
S6：对于S3获得的6通道DCE-MRI影像和3通道T2WI影像，利用S5中获得的DCE-MRI影像特征提取器和T2WI影像特征提取器分别提取DCE-MRI影像特征和T2WI影像特征；
S7：对于S6获得的DCE-MRI影像特征数据集和T2WI影像特征数据集，利用基于深度生成对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-MRI影像特征；
S8：在测试集上，测试基于T2WI影像特征生成的新DCE-MRI影像特征的病理信息诊断性能。
2.如权利要求1所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S5中的卷积神经网络是ResNet，其中特征提取器为ResNet的骨干网络，分类器为ResNet的全连接层分类器。
3.如权利要求2所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述乳腺癌分类预训练的具体步骤如下：
A1：向特征提取器传入图像，推理获得图像的特征z；
A2：将图像的特征z，传入分类器，获得图像的预测值
Figure FDA0003518549030000011
A3：结合图像的真实标签y，计算模型的分类损失，其损失函数为：
Figure FDA0003518549030000012
A4：根据分类损失L，利用梯度下降的方法对特征提取器和分类器里的参数进行更新；
A5：重复上述步骤A1-A4，并利用早停机制保留模型训练过程中的参数；
A6：乳腺癌影像数据集存样本不均衡性，采用AUC为模型的评价指标对模型进行评价。
4.如权利要求3所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述AUC的评价方式为：
Figure FDA0003518549030000021
其中i为一个属于阳性的样本，ranki表示将测试集中的所有样本的概率按照从高到低进行排序，样本i排在第ranki位置，M为阳性样本的个数，N为阴性样本的个数。
5.如权利要求4所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述步骤S5包括如下步骤：
S51：基于DCE-MRI影像数据，使用基于卷积神经网络的影像分类方法，训练DCE-MRI影像分类网络，获得DCE-MRI影像的特征提取器和分类器；
S52：基于T2WI影像数据，使用基于卷积神经网络的影像分类方法，训练T2WI影像分类网络，获得T2WI影像的特征提取器和分类器。
6.如权利要求5所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S7中的生成对抗网络包括编码器，解码器，生成器和鉴别器，所述编码器和解码器构成一组自编码器，所述生成器和鉴别器构成了生成对抗网络。
7.如权利要求6所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述生成对抗网络的具体训练步骤如下：
S71：将T2WI影像特征输入到自编码器结构中，训练自编码器，其损失函数为LAE＝MSE(x,Dec(Enc(x)))
其中MSE为均方误差，Dec为解码器网络，Enc为编码器网络，x为T2影像的特征，基于损失函数LAE，利用Adam优化器对自编码器网络的参数进行更新；
S72：对于T2WI影像特征特征，利用编码器对其进行编码，获得隐变量z；
S73：将隐变量z输入生成器中，生成新的伪DCE-MRI影像特征Xf；
S74：将真实的DCE-MRI影像特征Xr和基于T2WI影像特征生成的伪DCE-MRI影像特征Xf输入到判别器中，计算损失函数：
LD＝D(Xf)-D(Xr)
其中D为鉴别器，基于损失函数LD，利用Adam优化器对鉴别器的参数进行更新；
S75：固定鉴别器D的参数，将隐变量z输入到生成器中生成伪DCE-MRI影像特征Xf，计算损失函数：
LG＝-D(G(z))
其中G为生成器，基于损失函数LG，利用Adam优化器对生成器的参数进行更新；
S76：重复上述步骤S71～S75，对特征生成模块的编码器，解码器，生成器，鉴别器的参数进行更新，直到所有参数收敛并不再更新，生成对抗网络到此训练完成。
8.如权利要求1～7中任意一项所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，所述S1中的样本的类别标签为乳腺癌良恶性标签。
CN202210174552.9A 2022-02-24 2022-02-24 一种t2加权影像特征生成动态增强影像特征的方法 Pending CN114581701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210174552.9A CN114581701A (zh) 2022-02-24 2022-02-24 一种t2加权影像特征生成动态增强影像特征的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210174552.9A CN114581701A (zh) 2022-02-24 2022-02-24 一种t2加权影像特征生成动态增强影像特征的方法

Publications (1)

Publication Number Publication Date
CN114581701A true CN114581701A (zh) 2022-06-03

Family

ID=81770789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210174552.9A Pending CN114581701A (zh) 2022-02-24 2022-02-24 一种t2加权影像特征生成动态增强影像特征的方法

Country Status (1)

Country Link
CN (1) CN114581701A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619641A (zh) * 2022-10-24 2023-01-17 中山大学附属第五医院 基于ffdm的乳腺影像处理方法、系统、终端和介质
CN115910327A (zh) * 2022-12-22 2023-04-04 北京壹永科技有限公司 小样本癌症事件分析方法、装置、设备以及存储介质
CN116681790A (zh) * 2023-07-18 2023-09-01 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115619641A (zh) * 2022-10-24 2023-01-17 中山大学附属第五医院 基于ffdm的乳腺影像处理方法、系统、终端和介质
CN115619641B (zh) * 2022-10-24 2023-06-02 中山大学附属第五医院 基于ffdm的乳腺影像处理方法、系统、终端和介质
CN115910327A (zh) * 2022-12-22 2023-04-04 北京壹永科技有限公司 小样本癌症事件分析方法、装置、设备以及存储介质
CN115910327B (zh) * 2022-12-22 2023-09-29 北京壹永科技有限公司 小样本癌症事件分析方法、装置、设备以及存储介质
CN116681790A (zh) * 2023-07-18 2023-09-01 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法
CN116681790B (zh) * 2023-07-18 2024-03-22 脉得智能科技(无锡)有限公司 一种超声造影图像生成模型的训练方法及图像的生成方法

Similar Documents

Publication Publication Date Title
CN108446730B (zh) 一种基于深度学习的ct肺结节检测装置
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
CN114581701A (zh) 一种t2加权影像特征生成动态增强影像特征的方法
CN112101451B (zh) 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法
CN112767417B (zh) 一种基于级联U-Net网络的多模态图像分割方法
CN109902682A (zh) 一种基于残差卷积神经网络的乳腺x线图像检测方法
Wazir et al. HistoSeg: Quick attention with multi-loss function for multi-structure segmentation in digital histology images
Yamanakkanavar et al. MF2-Net: A multipath feature fusion network for medical image segmentation
CN112750132A (zh) 基于双路径网络和通道注意的白细胞图像分割方法
Divya et al. A deep transfer learning framework for multi class brain tumor classification using MRI
Mukkapati et al. Brain tumor classification based on enhanced CNN model
Anaam et al. Studying the applicability of generative adversarial networks on HEp-2 cell image augmentation
Thirumagal et al. Design of FCSE-GAN for dissection of brain tumour in MRI
Dai et al. A weakly supervised deep generative model for complex image restoration and style transformation
Sun et al. Detection of breast tumour tissue regions in histopathological images using convolutional neural networks
Saednia et al. A cascaded deep learning framework for segmentation of nuclei in digital histology images
Barai et al. A late fusion deep cnn model for the classification of brain tumors from multi-parametric mri images
Zhang et al. Research on brain glioma segmentation algorithm
CN114723937A (zh) 一种基于核磁共振影像的血管周围间隙分类方法及系统
Xing et al. The Beauty or the Beast: Which Aspect of Synthetic Medical Images Deserves Our Focus?
Quan et al. Dual-channel prototype network for few-shot pathology image classification
Roy Medhi Lung Cancer Classification from Histologic Images using Capsule Networks
Wu et al. Mscan: Multi-scale channel attention for fundus retinal vessel segmentation
Zhao et al. Preprocessing and grading of glioma data acquired from multicenter
Long et al. A Deep Learning Method for Brain Tumor Classification Based on Image Gradient

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination