本发明属于医学图像分割，具体是涉及到一种基于动态对比增强磁共振影像的乳腺病灶分割方法及系统。
背景技术：
1、动态对比增强磁共振影像在乳腺癌检测中表现出卓越的灵敏度，能够提供关于乳腺病灶在血流动力学、形态学等多方面的详细信息，为乳腺癌的发现、定位和定性提供了有力支持。计算机视觉识别技术的应用极大地协助了对动态对比增强磁共振图像的分析。其中，准确地分割乳腺癌被认为是第一步且至关重要的一步。
2、与一般的肿瘤分割任务相似，乳腺癌的位置、大小和形状因患者而异。此外，标准的磁共振动态对比增强(dce-mri)扫描不仅包括完整的乳腺组织，还包括胸腔、胸骨、腋窝等区域。病灶区域的体积远小于整个扫描体积。在处理dce-mri图像时，血管和器官等高对比度的区域也对乳腺癌分割带来了干扰，从而导致现有分割模型的精度不高，难以准确地分离出病灶图像。在现有技术中，对动态对比增强磁共振影像进行预处理后，通常会先分割乳腺区域，再在分割乳腺区域的基础上分割乳腺癌病灶区域。然而上述方案非常依赖于前一阶段乳腺区域分割的精度，当前一阶段分割精度不佳或遇到泛化效果不佳时，会直接影响到最终的病灶分割结果，导致乳腺癌病灶分割精度下降。
技术实现思路
1、本发明提供一种基于动态对比增强磁共振影像的乳腺病灶分割方法及系统，以解决乳腺癌病灶分割精度较低的问题。
2、第一方面，本发明提供一种基于动态对比增强磁共振影像的乳腺病灶分割方法，该方法包括如下步骤：
3、采集乳腺动态对比磁共振图像；
4、将所述乳腺动态对比磁共振图像划分为训练集图像和测试集图像，并标注所述训练集图像；
5、预处理所述训练集图像；
6、对预处理后的所述训练集图像进行数据增强处理；
7、构建基于动态对比磁共振的乳腺病灶分割模型，将数据增强处理后的所述训练集图像输入至所述乳腺病灶分割模型进行模型训练；
8、将预处理后的所述测试集图像输入至训练完成的所述乳腺病灶分割模型，利用滑动窗口法得到分割模型的预测结果。
9、可选的，所述标注所述训练集图像包括如下步骤：
10、在所述训练集图像中病灶区域的期相上标注体素级别的二值掩膜标注；
11、标注出所述训练集图像中干扰区域的三维空间坐标。
12、可选的，所述预处理所述训练集图像包括如下步骤：
13、统计所有所述训练集图像的体素间距；
14、将所有所述体素间距的中位数作为标准体素间距；
15、基于所述标准体素间距对所述训练集图像进行三线性插值操作，并采用最近邻算法对所述二值掩膜标注进行插值操作；
16、将所述训练集图像进行归一化处理。
17、可选的，所述对预处理后的所述训练集图像进行数据增强处理包括如下步骤：
18、基于所述二值掩膜标注和所述三维空间坐标对所述训练集图像进行伪随机裁剪，得到包含所述病灶区域的第一训练图像块和包含所述干扰区域的第二训练图像块；
19、按照预设的第一操作概率对所述第一训练图像块和所述第二训练图像块进行随机空间增强操作；
20、按照预设的第二操作概率对所述第一训练图像块和所述第二训练图像块进行随机高斯模糊操作；
21、按照预设的第三操作概率对所述第一训练图像块和所述第二训练图像块进行随机添加噪声操作。
22、可选的，所述将数据增强处理后的所述训练集图像输入至所述乳腺病灶分割模型进行模型训练包括如下步骤：
23、基于比例平衡将所述第一训练图像块和所述第二训练图像块组合为训练批数据；
24、将所述训练批数据输入至所述乳腺病灶分割模型进行正向传播，得到预测概率图；
25、比对所述预测概率图和所述二值掩膜标注，并计算dice损失函数和交叉熵损失函数；
26、将计算得到的dice损失函数值和交叉熵损失函数值相加得到训练损失值；
27、利用adam优化器将所述训练损失值反向传播并进行模型循环训练，直至所述训练损失值低于预设的损失阈值。
28、可选的，所述dice损失函数的计算公式如下：
29、
30、式中：ldice表示所述dice损失函数，xout表示所述预测概率图，xtruth表示所述二值掩膜标注。
31、可选的，所述交叉熵损失函数的计算公式如下：
32、
33、式中：lcrossentropy表示交叉熵损失函数，n表示样本数量，yi表示第i个样本的真实标签，pi表示所述乳腺病灶分割模型对第i个样本的预测概率。
34、可选的，所述乳腺病灶分割模型包括特征编码器和特征解码器，所述特征编码器之间和所述特征解码器之间引入跳跃连接，所述特征编码器包括三个编码层，每个所述编码层均包含双卷积模块，所述特征解码器包括三个解码层，每个所述解码层均包含反卷积模块和所述双卷积模块，所述乳腺病灶分割模型的末端采用一个卷积层和激活函数输出结果。
35、可选的，所述双卷积模块包括批量归一化层、校正线性单元层和两个卷积层，所述批归一化层用于根据当前训练批次数据按通道计算的均值和方差进行归一化处理，所述校正线性单元层用于增加神经网络的非线性拟合能力。
36、第二方面，本发明还提供一种基于动态对比增强磁共振影像的乳腺病灶分割系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中所述的方法。
37、本发明的有益效果是：
38、本发明相较于现有技术不存在复杂的预处理，不依赖于乳腺区域的标注掩膜，降低了标注负担。本发明中所采用的乳腺病灶分割模型属于端到端的模型，相对于现有技术的多阶段分割模式更易于优化。通过端到端的训练，在训练过程中平衡正负样本，在分割图像块的时候，通过引入干扰区域的图像样本去达到非乳腺区域病灶预测的发生，从而最终提升乳腺病灶图像分割的分割精度。
1.一种基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述标注所述训练集图像包括如下步骤：
3.根据权利要求2所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述预处理所述训练集图像包括如下步骤：
4.根据权利要求3所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述对预处理后的所述训练集图像进行数据增强处理包括如下步骤：
5.根据权利要求4所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述将数据增强处理后的所述训练集图像输入至所述乳腺病灶分割模型进行模型训练包括如下步骤：
6.根据权利要求5所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述dice损失函数的计算公式如下：
7.根据权利要求5所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述交叉熵损失函数的计算公式如下：
8.根据权利要求1所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述乳腺病灶分割模型包括特征编码器和特征解码器，所述特征编码器之间和所述特征解码器之间引入跳跃连接，所述特征编码器包括三个编码层，每个所述编码层均包含双卷积模块，所述特征解码器包括三个解码层，每个所述解码层均包含反卷积模块和所述双卷积模块，所述乳腺病灶分割模型的末端采用一个卷积层和激活函数输出结果。
9.根据权利要求8所述的基于动态对比增强磁共振影像的乳腺病灶分割方法，其特征在于，所述双卷积模块包括批量归一化层、校正线性单元层和两个卷积层，所述批归一化层用于根据当前训练批次数据按通道计算的均值和方差进行归一化处理，所述校正线性单元层用于增加神经网络的非线性拟合能力。
10.一种基于动态对比增强磁共振影像的乳腺病灶分割系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的方法。
