申请/专利权人:杭州电子科技大学
申请日:2022-01-19
公开(公告)日:2024-04-23
公开(公告)号:CN114494952B
主分类号:G06V20/40
分类号:G06V20/40;G06V10/74;G06V10/62;G06V10/82;G06T7/00;G06T5/90;G06N3/0464;G06N3/0475;G06N3/094
优先权:
专利状态码:有效-授权
法律状态:2024.04.23#授权;2022.05.31#实质审查的生效;2022.05.13#公开
摘要:本发明涉及一种基于感知损失的乳腺MRI影像时间序列生成方法,可以实现仅仅使用S0蒙片序列来生成增强影像序列,病人无需注射造影剂。在传统生成对抗网络的基础上加入感知损失,使生成的影像序列的纹理细节部分更加清晰、肿块部位对比度提升,提升医生诊断甚至人工智能对肿瘤的自动分类准确率,方法包括:采集乳腺MRI影像;对采集到的影像序列做预处理,分割乳腺和胸腔得到病人的乳腺区域;将预处理后的影像数据输入到加入感知损失的生成对抗网络中;通过PSNR和SSIM评价指标评估生成的影像序列的效果;通过对Ki‑67任务的分类。本发明弥补目前影像序列不足或者序列缺失的问题,解决患者因特殊原因无法注射造影剂进而无法获得增强影像序列的情况。
主权项:1.一种基于感知损失的乳腺MRI影像时间序列生成方法,其特征在于:包括以下步骤:步骤一、获取乳腺癌病人的医学影像数据,对乳腺MRI影像增强前和增强后的序列做分割处理,通过分割去除病人的胸腔和皮肤,得到病人的乳腺影像数据集;步骤二、将分割后的数据集按照7:3随机划分为训练集和测试集,对训练集的样本数据做数据增强以及样本均衡处理,通过旋转和镜像操作,对训练集进行扩增;步骤三、对生成对抗网络的网络结构以及损失函数进行改进,在原有结构基础上加入ResNet50卷积神经网络用来计算感知损失,同时将计算得到的感知损失结合网络原有的GAN损失以及L1损失,得到三个损失函数的总损失作为新模型的损失函数,在模型训练过程中进行迭代更新;步骤四、将生成对抗网络加入感知损失前后生成的增强影像序列以及由插值生成的增强影像序列分别与原始的增强影像序列进行对比分析,通过结构相似性、峰值信噪比指标来评估生成对抗网络以及插值所生成的增强影像序列的效果;所述步骤四中包括以下步骤:步骤4-1:峰值信噪比使用峰值信噪比度量的是重建图像与原图像之间的像素差值,PSNR单位为dB,其公式如式5所示: 其中,Peak为像素最大值;步骤4-2:结构相似性结构相似性通过从图像的亮度、对比度及结构三个方面进行整合计算来比较重建图像与原图像的相似程度,结构相似性计算公式如式6所示: 其中,μx和μy分别表示重构图像和原图像的像素平均值,σx和σy分别表示重构图像和原图像的像素方差,σxy表示协方差,C1和C2都为常数;步骤五、对乳腺癌的Ki-67高低表达指标做分类处理。
全文数据:
权利要求:
百度查询: 杭州电子科技大学 一种基于感知损失的乳腺MRI影像时间序列生成方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。