CN115797308A - 一种基于dce-mri的乳腺肿瘤分割方法 - Google Patents

Abstract

本发明提供一种基于DCE‑MRI的乳腺肿瘤分割方法，属于医学图像处理技术领域。为解决现有的图像处理方法对低质量DCE‑MRI结果进行乳腺肿瘤分割时，得到的结果往往召回率较低，无法对乳腺肿瘤进行稳定、准确的预测的问题。本发明设计两个阶段的2.5D U‑Net分割模型；将预处理的DCE‑MRI数据输入第一阶分割段模型进行分割，得到每个体素的肿瘤概率掩膜；以心脏作为“健康组织”，根据其被预测为肿瘤的概率定量数据质量，并确定最佳阈值；将得到的肿瘤概率与阈值比较确定可疑区域；将DCE‑MRI数据与第一阶段模型的分割结果输入至第二阶段模型，通过同样的方法对肿瘤进行分割，得到肿瘤分割结果。通过本发明方法，不但极大减小了乳腺肿瘤的搜索范围，且实现了乳腺肿瘤的精准分割。

Description

一种基于DCE-MRI的乳腺肿瘤分割方法

技术领域

本发明涉及医学图像处理技术领域，具体而言，涉及一种基于DCE-MRI的乳腺肿瘤分割方法。

背景技术

乳腺癌是临床常见的具有高死亡率的女性最常见恶性肿瘤，占女性癌症病例的25％。近年来，该疾病的患病人数呈逐年增加的趋势，是当下危害女性健康的主要疾病。由于其致病因子的不确定性和病情的隐匿性，在早期无明显的临床症状，患者经常在乳腺癌发展至中晚期才被确诊，延误了治疗的最佳时期。且乳腺癌的发病年龄趋于年轻化，是威胁女性身体健康和生活品质的重大危险因素之一，乳腺癌的早期发现、早期诊断和早期治疗是改善预后的重要因素。

动态核磁共振成像术(Dynamic Contrast-enhanced magnetic resonanceimaging,DCE-MRI)具有高组织分辨率，可显示出血管通透性及组织血管内密度，且能显示出病灶性质，进而有利于疾病诊断及治疗方式的选择，非常适合作为乳腺这种软组织器官进行病变检查手段，DCE-MRI近年来已作为一种重要早期乳腺癌影像诊断手段而被广泛采用。DCE-MRI测量造影剂在体内的药代动力学分布为乳腺肿瘤的诊断和手术提供了重要的信息，通过DCE-MRI数据的时间-信号强度曲线评估病变。由于DCE-MRI数据是三维体积的时间序列，也就是4D数据。因此，基于DCE-MRI数据进行诊断比较耗时。近年来，各种计算机辅助诊断系统被开发出来用于乳腺DCE-MRI病灶的定位、分割和分类，但往往忽略了时间信息或局限于2D片段，比如使用2D和3D U-net对乳腺肿瘤进行分割，模型的输入是紧密结合肿瘤区域的方形图像，这意味着分割过程需要肿瘤学家进行广泛的预处理，且不能充分的利用DEC-MRI的时间信息，导致无法对乳腺肿瘤进行稳定和精准的分割预测；更重要的是临床实际得到的DCE-MRI数据由于患者移动、噪音伪影等因素往往质量参差不齐的问题，现有的计算机辅助诊断系统进行乳腺肿瘤预测时，往往采用人工筛选后的高质量DCE-MRI数据，使得到的结果具有较高的精度，而对于低质量的数据的预测则召回率较低，难以达到稳定、准确的效果，存在较大的漏检隐患，从而限制了技术的临床应用和推广。

发明内容

本发明要解决的技术问题是：

利用现有的医学图像处理方法针对低质量DCE-MRI结果进行乳腺肿瘤分割时，得到的结果往往召回率较低，无法对乳腺肿瘤进行稳定、准确的预测的问题。

本发明为解决上述技术问题所采用的技术方案：

本发明提供一种基于DCE-MRI的乳腺肿瘤分割方法，实质是提供一种图像处理技术，对DCE-MRI数据中的乳腺肿瘤进行识别。本发明方法包括如下步骤：

步骤一、收集临床乳腺DCE-MRI数据，将收集的乳腺DCE-MRI数据进行归一化处理，使DCE-MRI数据投入到一个标准嵌入空间，得到统一形状和分辨率、并加入时间编码信息的数据，得到预处理的DCE-MRI数据；

步骤二、设计分割模型，所述分割模型包括两个阶段分割模型，每个阶段模型为相同结构的2.5D U-Net分割模型；通过专科医生将预处理的DCE-MRI数据的乳腺肿瘤区域进行标注，对两个阶段的分割模型进行训练，得到两阶段乳腺肿瘤分割模型；

步骤三、将预处理的DCE-MRI数据输入第一阶段2.5D U-Net分割模型中进行分割，得到每个体素的肿瘤概率掩膜；以心脏作为“健康组织”，根据其被预测为肿瘤的概率定量数据质量，并根据数据质量确定最佳阈值；将每个体素的肿瘤概率与阈值比较，若大于阈值则确定该体素为一个可疑体素，将所有可疑体素合并即为一个可疑区域；

将预处理的DCE-MRI数据与第一阶段模型的分割结果输入至第二阶段2.5D U-Net分割模型，通过同样的方法对肿瘤进行二次分割，得到肿瘤概率掩膜；

步骤四、将得到的分割结果进行可视化，得到乳腺肿瘤的分割结果。

进一步地，所述步骤一中，利用时间-信号强度曲线编码时间信息，确定病变与周围环境的对比度较高的时间点，在此时间点收集乳腺DCE-MRI数据。

进一步地，所述步骤一中包括进行信号标准化，所述信号标准化为根据各体素信号对心脏信号的相对强度进行信号标准化。

进一步地，所述步骤一中包括数据归一化，所述数据归一化具体为将DCE-MRI数据的空气部分像素值设置为零，将DCE-MRI数据大于零的像素除以其通道的最大值，小于零的像素除以其通道最小值的绝对值即将数据进行归一化。

进一步地，所述2.5DU-Net包含三个2D U-Nets，将预处理的乳腺DCE-MRI数据的X-Y、Y-Z、X-Z三个平面输入到2.5DU-Net分割模型的三个2D U-Nets中进行分割，得到三个平面的二维概率掩码，再将不同视角的二维概率掩码结果进行组合，得到三维概率掩码，如下式所示，

其中，组合函数g代表三维概率，

代表x-y平面概率，

代表y-z平面概率，

代表x-z平面概率，

代表三维概率。

进一步地，所述两个阶段的2.5D U-Net分割模型均使用特征增强损失函数，所述特征增强损失函数为体素级的加权交叉熵损失，它是一切体素损失的总和，每个体素损失为：

voxel loss＝-w×ln(p)×p'-ln(1-p)×(1-p')

式中，p为体素为正的预测概率，p为体素为正的真实概率，w为预测错误的惩罚权重，且惩罚权重要求每个病人权重数值相加相同。

进一步地，所述步骤二中的两个阶段的2.5D U-Net分割模型均使用相同的超参数：学习速率为0.001，批次大小为64，使用Adam优化器，回归次数为100回合。

进一步地，所述步骤三中采用XGBoost确定每组DCE-MRI数据的最佳阈值，具体为根据心脏区域被预测为肿瘤概率的平均值和标准差，根据XGBoost算法求得最佳阈值。

进一步地，所述步骤四中，在2.5DU-net分割模型的最后一层1*1卷积层上应用Grad-Cam得到特征重要性图，即获得最终的语义分割。

进一步地，使用Grad-Cam方法来获取判别区域和特征重要性地图的计算过程为：第i行j列处的像素Pixel_Heat_Map计算如下：

其中，A为卷积层的特征映射，A^k为第k个通道，

是一个实数，可表示为：

根据肿瘤概率P_ij对所有Pixel_Heat_Map加权叠加，Final_Heat_Map的计算如下：

其中，P_ij为肿瘤概率。

相较于现有技术，本发明的有益效果是：

本发明基于DCE-MRI的乳腺肿瘤分割方法，首先充分利用了DCE-MRI的时间和空间信息进行充分的融合，将其投入到标准的嵌入空间，极大的消除了原始DCE-MRI数据集内和数据间的偏差，使最终分割结果具有更高的精度，这是以往的对乳腺DEC-MRI数据进行辅助诊断研究所欠缺的。

本发明方法采用两个阶段的2.5D U-Net分割模型，不但极大减小了乳腺肿瘤的搜索范围，并且实现了对乳腺肿瘤的精准分割。

本发明方法以心脏作为健康组织，根据其被预测为肿瘤的概率定量数据质量，根据数据质量确定最佳阈值；当心脏区域发生肿瘤的概率较小，那么数据应该是高质量，预测的最佳阈值就应该是高的；相反，如果因人体移动、噪音伪影等造成的数据质量较低，预测的最佳阈值则是较低的；因此最佳阈值是数据自适应的，即使在数据质量较差的情况下也能保证肿瘤的分割，在临床应用中可达到0.99的召回率。

本方法是一个稳健的、准确的、临床适用性高的乳腺肿瘤分割方法。

附图说明

图1为实例中基于DCE-MRI的2.5D U-net乳腺肿瘤分割的过程示意图；

图2为实例中收集的不同时间点的DCE-MRI数据；

图3为实例中2.5D分割算法的流程图；

图4为实例中本发明方法与其它方法的对比结果图；(a)为原始CE-MRI数据(注射后120秒；x-y平面)；(b)-(e)不同模型的分割结果；(f)-(h)为本发明方法第一阶段分割模型得到的不同角度下的可疑区域；

图5为实施例中最佳阈值的预测，x轴为：log(1-最优阈值)，y轴为：log(1-预测阈值)；

图6为实施例中针对DCE-MRI数据质量较差和非常规形状乳腺DCE-MRI数据，可视化第一阶段分割模型得到的可疑区域。

具体实施方式

在本发明的描述中，应当说明的是，在本发明的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

具体实施方案一：结合图1至图3所示，本发明提供一种基于DCE-MRI的乳腺肿瘤分割方法，包括如下步骤：

步骤一、收集临床乳腺DCE-MRI数据，将收集的乳腺DCE-MRI数据进行归一化处理，使DCE-MRI数据投入到一个标准嵌入空间，得到统一形状和分辨率、并加入时间编码信息的数据，得到预处理的DCE-MRI数据；

步骤二、设计分割模型，所述分割模型包括两个阶段分割模型，每个阶段模型为相同结构的2.5D U-Net分割模型；通过专科医生将预处理的DCE-MRI数据的乳腺肿瘤区域进行标注，对两个阶段的分割模型进行训练，得到两阶段乳腺肿瘤分割模型；

步骤三、将预处理的DCE-MRI数据输入第一阶段2.5D U-Net分割模型中进行分割，得到每个体素的肿瘤概率掩膜；以心脏作为“健康组织”，根据其被预测为肿瘤的概率定量数据质量，根据数据质量确定最佳阈值；将每个体素的肿瘤概率与阈值比较，若大于阈值则确定该体素为一个可疑体素，将所有可疑体素合并即为一个可疑区域；

将预处理的DCE-MRI数据与第一阶段模型的分割结果输入至第二阶段2.5D U-Net分割模型，通过同样的方法对肿瘤进行二次分割，得到肿瘤概率掩膜；

步骤四、将得到的分割结果进行可视化，得到乳腺肿瘤的高鲁棒性分割结果。

本实施方案中，如图1所示，数据预处理是将DCE-MRI数据的每个序列扫描转换为相同的宽、高、宽和分辨率，表示为

其中s是切片的数量，w和h分别为图像的宽度和高度。s，m，h由MRI扫描仪的空间参数决定。再依据时间-信号强度曲线编码时间信息得到标准的嵌入空间

前三个轴是空间坐标，最后一个轴有三个通道，分别为注射造影剂后的DCE-MRI参数：wash-in、wash-out和最高对比度通道；在本数据集中，wash-in是注射后前两分钟内信号变化的平均速度；wash-out是注射后2-4分钟内信号变化的平均速度。注射后两分钟左右，肿瘤与周围环境的对比度最高。

在本实施方案中将w设置为464，h设置为464，s设置为240，并将分辨率设置为0.75×0.75×0.75毫米，每个像素为

如图2所示，注射造影剂后两分钟左右，肿瘤与周围环境的对比度最高，这个时间点包含的空间信息最多，因此在注入两分钟后用时间编码连接序列，然后得到编码数组

本实施方案中第二阶段分割模型的输入是预处理的DCE-MRI数据加上第一阶段分割模型得到的分割结果，输入数据的形状是

在第二阶段模型中有10个通道，前9个通道与第一阶段相同，最后一个是突出可疑区域掩膜的通道。

由于数据噪音和质量差异，肿瘤区域被第一阶段模型预测为癌症的概率在0.1～1之间。“数据质量”可以由第一阶段模型将健康组织预测为癌症点的概率来衡量，本实施方案以心脏为“健康组织”，健康组织被预测为癌症概率在e^-6～e^-14，比如噪音伪影很大时，这个概率就接近e^-6，数据质量高较高时，这个概率就接近e^-14。对于质量低的数据，癌症区域被预测为癌症的概率也会低。根据健康组织定量数据质量，然后根据数据质量定量一个最佳阈值。

例如当心脏区域发生肿瘤的概率较小，为e^-14时，那么数据应该是高质量，模型应该输出肿瘤体素的肿瘤概率接近1，预测的最佳阈值就应该是高的；相反，如果因人体移动等原因造成的数据质量较低，预测的最佳阈值则是较低的。因此最佳阈值是数据自适应的，即使在数据质量较差的情况下也能保证肿瘤的准确分割。

本实施方案中，第一阶段分割模型的目标是输出概率图并通过最佳阈值计算得到可疑区域，旨在缩小肿瘤区域的搜索范围，第二阶段分割模型目的是得到准确的肿瘤区域。

具体实施方案二：如图2所示，步骤一中，利用时间-信号强度曲线编码时间信息，确定病变与周围环境的对比度较高的时间点，在此时间点收集乳腺DCE-MRI数据。本实施方案其他与具体实施方案一相同。

具体实施方案三：所述步骤一中包括进行信号标准化，所述信号标准化为根据各体素信号对心脏信号的相对强度进行信号标准化。本实施方案其他与具体实施方案二相同。

具体实施方案四：所述步骤一中包括数据归一化，所述数据归一化具体为将DCE-MRI数据的空气部分像素值设置为零，将DCE-MRI数据大于零的像素除以其通道的最大值，小于零的像素除以其通道最小值的绝对值即将数据进行归一化。本实施方案其他与具体实施方案三相同。

具体实施方案五：如图3所示，所述2.5DU-Net包含三个2D U-Nets，将预处理的乳腺DCE-MRI数据的X-Y、Y-Z、X-Z三个平面输入到2.5DU-Net分割模型的三个2D U-Nets中进行分割，得到三个平面的二维概率掩码，再将不同视角的二维概率掩码结果进行组合，得到三维概率掩码，如下式所示，

其中，组合函数g代表三维概率，

代表x-y平面概率，

代表y-z平面概率，

代表x-z平面概率，

代表三维概率。本实施方案其他与具体实施方案一相同。

在本实施方案中，2.5D模型包含三个2D U-Nets，分别为f_xy、f_yz和f_xz，f_xy的输入是

其中n是输入的通道数量，同样的f_yz的输入是

f_xz的输入是

f_xy、f_yz和f_xz的输出分别是形状为

and

的肿瘤概率图。乳房的体积是肿瘤体积的8到13425倍，而通过第一阶段模型得到的可疑区域是肿瘤体积的3.0到84.7倍。

具体实施方案六：所述两个阶段的2.5D U-Net分割模型均使用特征增强损失函数，所述特征增强损失函数为体素级的加权交叉熵损失，它是一切体素损失的总和，每个体素损失为：

voxel loss＝-w×ln(p)×p'-ln(1-p)×(1-p')

式中，p为体素为正的预测概率，p′为体素为正的真实概率，w为预测错误的惩罚权重，且惩罚权重要求每个病人权重数值相加相同。本实施方案其他与具体实施方案五相同。

具体实施方案七：所述步骤二中的两个阶段的2.5D U-Net分割模型均使用相同的超参数：学习速率为0.001，批次大小为64，使用Adam优化器，回归次数为100回合。本实施方案其他与具体实施方案六相同。

具体实施方案八：所述步骤三中采用XGBoost确定每组DCE-MRI数据的最佳阈值，具体为根据心脏区域被预测为肿瘤概率的平均值和标准差，根据XGBoost算法求得最佳阈值。本实施方案其他与具体实施方案一相同。

本实施方案中，使用XGBoost来预测每次DCE-MRI扫描的最佳阈值，XGBoost算法的输入是log(心脏区域是肿瘤的概率的平均值和标准差)，输出是log(1-预测阈值)。

使用皮尔逊相关系数PCC来测量最佳阈值和预测阈值之间的关系，PCC定义为：

其中，Z是每组DCE-MRI数据的log(1-真实阈值)，Z′是log(1-预测阈值)，cov(Z,Z′)是Z,Z′之间的协方差，σ_Z和σ_Z′分别为Z和Z′标准差。采用五折交叉验证的方法评估最佳阈值的结果，如图5所示，分别基于哈尔滨数据集和浙江数据集使用皮尔逊相关系数PCC来测量最佳阈值和预测阈值之间的关系，哈尔滨数据集的皮尔逊相关系数为0.751，浙江数据集的皮尔逊相关系数为0.873，说明通过XGBoost算法得到的最佳阈值结果相关性比较高，可信度比较大。

实施方案九：所述步骤四中，在2.5DU-net分割模型的最后一层1*1卷积层上应用Grad-Cam得到特征重要性图，即获得最终的语义分割。本实施方案其他与具体实施方案一相同。

实施方案十：使用Grad-Cam方法来获取判别区域和特征重要性地图的计算过程为：第i行j列处的像素Pixel_Heat_Map计算如下：

其中，A为卷积层的特征映射，A^k为第k个通道，

是一个实数，可表示为：

根据肿瘤概率P_ij对所有Pixel_Heat_Map加权叠加，Final_Heat_Map的计算如下：

其中，P_ij.为肿瘤概率。本实施方案其他与具体实施方案九相同。

实施例1

本实例将本发明方法与目前现有的乳腺分割方法MPUnet、3D Uet和SVM进行对比，采用哈尔滨DCE-MRI数据集(164例)和浙江数据集(100例)，采用五折交叉验证的方法进行实验，结果如表1所示，dice系数为平均值±标准差，通过结果可以看到，本发明方法在哈尔滨数据和浙江数据的平均dice系数分别为0.823和0.692，均高于现有的MPUnet、3D Uet和SVM方法。由于本发明方法直接采用临床上的DCE-MRI数据，并未对数据进行筛选，所以得到的结果dice系数并不高，即便如此，本发明方法失败的案例较少，在哈尔滨数据集和浙江数据集质量最差的数据中的失败的案例为0和2(失败的案例定义为小于0.2的dice系数)，远少于现有的MPUnet、3D Uet和SVM方法，最差数据的平均dice值分别为0.483和0.13，远高于现有的MPUnet、3D Uet和SVM方法，可见本发明方法对于低质量数据的处理具有较高的稳健性。

表1

如图4所示，该病例来自哈尔滨数据集，肿瘤体积小，肿瘤边界不清晰。在这种情况下，本发明的方法获得了一个满意的dice值0.670，MPUnet模型的dice值为0.202，3DUnet模型的dice值为0.267，SVM模型的dice值为0.008；由于SVM模型没有使用大尺度的空间信息，所以不能在没有明确边界的情况下进行分割。在肿瘤体积仅为总体积的0.0017％的情况下，MPUnet模型和3DUnet模型没有一个有效的ROI(肿瘤的可疑区域)指导，无法对肿瘤进行精确分割。图4中(f)-(g)为本发明方法的第一阶段模型得到的可疑区域。肿瘤可疑区域(ROI)只突出了肿瘤总体积的0.069％，可实现肿瘤的召回率为100％，第二阶段分割模型提供了一个有效的制导掩模，保障了对乳腺肿瘤分割的精准性和稳健性。

如图6所示，为本实施例中DCE-MRI数据质量较差和非常规形状乳腺DCE-MRI数据通过第一阶段分割模型得到的的可疑区域，其中a、b为数据质量最差的例子，c、d为低质量数据代表向例子，e、f为对比方法(无第一阶段模型，即预分割阶段)均分割失败，而本发明方法可以进行良好分割的例子，g、h分别为只有单侧乳腺及男性乳腺的例子。通过结果可以看出针对各种质量较差数据的情况，本发明方法都能进行较好的分割。从图中可以看出，第一阶段分割模型具有较高的召回率，为第二阶段模型缩小肿瘤区域的搜索范围，且第一阶段分割模型的dice值和第二阶段分割模型的dice值对比结果如表2所示，通过表2可以看出，如果只采用一个阶段分割模型，其dice值较低，准确性较差，采用两个阶段分割模型的dice值则显著提高，说明采用两个阶段分割模型的思想可显著提高肿瘤分割的准确性，更重要的是针对质量较差数据、非常规形状乳腺的分割也可以达到较好的效果。

表2

实施例2

本实例采用与实施例1相同的模型和数据集，并将各分割模型在一个数据集上训练，在另一个数据集上测试，结果如表3所示，通过结果可以看出，本发明方法可在一个数据集进行训练，在另一数据集数据进行测试，无需重新训练，表现出较高的稳定性，这是由于本发明方法确定阈值可根据被测试数据质量自适应，使模型的适用范围更广。

表3

实施例3

本实例采用与实施例1相同的模型和数据集，将哈尔滨数据与浙江数据混合组建成交叉数据集，采用交叉数据集对个模型进行训练，各模型的分割结果如表4所示，通过结果可以看到，数据量较多的情况下对模型进行训练，提高了模型的平均dice值，且本发明方法的平均dice系数为0.804，明显高于其他方法，而肿瘤的召回率最高可达到>0.99，保障了分割结果的稳健性，且只有一个失败案例，明显低于其他方法。

表4

通过上述三个实例可以看出，本方法在各个方面都优于现有的对比方法，本发明方法有更高的准确性和召回率。

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本发明领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于包括如下步骤：

步骤一、收集临床乳腺DCE-MRI数据，将收集的乳腺DCE-MRI数据进行归一化处理，使DCE-MRI数据投入到一个标准嵌入空间，得到统一形状和分辨率、并加入时间编码信息的数据，得到预处理的DCE-MRI数据；

步骤二、设计分割模型，所述分割模型包括两个阶段分割模型，每个阶段模型为相同结构的2.5D U-Net分割模型；通过专科医生将预处理的DCE-MRI数据的乳腺肿瘤区域进行标注，对两个阶段的分割模型进行训练，得到两阶段乳腺肿瘤分割模型；

步骤三、将预处理的DCE-MRI数据输入第一阶段2.5D U-Net分割模型中进行分割，得到每个体素的肿瘤概率掩膜；以心脏作为“健康组织”，根据其被预测为肿瘤的概率定量数据质量，根据数据质量确定最佳阈值；将每个体素的肿瘤概率与阈值比较，若大于阈值则确定该体素为一个可疑体素，将所有可疑体素合并即为一个可疑区域；

将预处理的DCE-MRI数据与第一阶段模型的分割结果输入至第二阶段2.5D U-Net分割模型，通过同样的方法对肿瘤进行二次分割，得到肿瘤概率掩膜；

步骤四、将得到的分割结果进行可视化，得到乳腺肿瘤的分割结果。

2.根据权利要求1所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤一中，利用时间-信号强度曲线编码时间信息，确定病变与周围环境的对比度较高的时间点，在此时间点收集乳腺DCE-MRI数据。

3.根据权利要求2所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤一中包括进行信号标准化，所述信号标准化为根据各体素信号对心脏信号的相对强度进行信号标准化。

4.根据权利要求3所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤一中包括数据归一化，所述数据归一化具体为将DCE-MRI数据的空气部分像素值设置为零，将DCE-MRI数据大于零的像素除以其通道的最大值，小于零的像素除以其通道最小值的绝对值即将数据进行归一化。

5.根据权利要求1所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述2.5DU-Net包含三个2D U-Nets，将预处理的乳腺DCE-MRI数据的X-Y、Y-Z、X-Z三个平面输入到2.5DU-Net分割模型的三个2D U-Nets中进行分割，得到三个平面的二维概率掩码，再将不同视角的二维概率掩码结果进行组合，得到三维概率掩码，如下式所示，

其中，组合函数g代表三维概率，

代表x-y平面概率，

代表y-z平面概率，

代表x-z平面概率，

代表三维概率。

6.根据权利要求5所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述两个阶段的2.5D U-Net分割模型均使用特征增强损失函数，所述特征增强损失函数为体素级的加权交叉熵损失，它是一切体素损失的总和，每个体素损失为：

式中，p为体素为正的预测概率，p′为体素为正的真实概率，w为预测错误的惩罚权重，且惩罚权重要求每个病人权重数值相加相同。

7.根据权利要求6所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤二中的两个阶段的2.5D U-Net分割模型均使用相同的超参数：学习速率为0.001，批次大小为64，使用Adam优化器，回归次数为100回合。

8.根据权利要求1所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤三中采用XGBoost确定每组DCE-MRI数据的最佳阈值，具体为根据心脏区域被预测为肿瘤概率的平均值和标准差，根据XGBoost算法求得最佳阈值。

9.根据权利要求1所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于所述步骤四中，在2.5DU-net分割模型的最后一层1*1卷积层上应用Grad-Cam得到特征重要性图，即获得最终的语义分割。

10.根据权利要求9所述的一种基于DCE-MRI的乳腺肿瘤分割方法，其特征在于使用Grad-Cam方法来获取判别区域和特征重要性地图的计算过程为：第i行j列处的像素Pixel_Heat_Map计算如下：

其中，A为卷积层的特征映射，A^k为第k个通道，

是一个实数，可表示为：

根据肿瘤概率P_ij对所有Pixel_Heat_Map加权叠加，Final_Heat_Map的计算如下：

其中，P_ij为肿瘤概率。

Images