换一批基于注意力机制与U-Net网络的动态对比增强磁共振成像乳腺肿瘤图像分割方法学研究
Method of image segmentation of DCE-MRI images based on attention mechanism and U-Net network for breast tumor
摘要目的:研究基于注意力机制与U-Net网络的动态对比增强磁共振成像(DCE-MRI)乳腺肿瘤图像优化自动分割方法,以应对乳腺肿瘤DCE-MRI自动分割难度大、人工勾画工作量大的难题.方法:以U-Net网络为基础模型,构建多尺度注意力融合(MSAF)和多头自注意力机制(MHSA)的U-Net网络(MM_U-Net)模型.使用公共数据集(数据集1)中云南省肿瘤医院公开可用的71例乳腺肿瘤患者DCE-MRI图像中P5期图像数据,以及自建数据集(数据集2)中回顾性收集2023年1月至2024年7月南京医科大学附属妇产医院经手术病理证实的150例单发乳腺肿瘤患者术前DCE-MRI图像数据,分别按照7∶1∶2的比例随机划分为训练集、验证集及测试集,在数据集1和数据集2上进行训练和测试,验证MM_U-Net模型的有效性,并与U-Net、Attention U-Net及SegResNet模型进行对比.使用平均Dice相似系数(DSC)和交并比(IoU)评价MM_U-Net模型的图像分割精度性能.结果:与U-Net网络对比,MM_U-Net模型在数据集1测试集上平均DSC和IoU分别为0.812和0.572,分别提升10.63%和20.68%;在数据集2测试集上平均DSC和IoU分别为0.879和0.658,分别提升0.69%和0.30%;图像分割精度均优于U-Net、Attention U-Net及SegResNet模型.结论:MM_U-Net模型可以有效分割乳腺肿瘤DCE-MRI图像中肿瘤区域,有助于提高临床诊断效率.
更多相关知识
关键词
注意力机制U-Net网络乳腺肿瘤动态对比增强磁共振成像(DCE-MRI)自动分割Attention mechanismU-Net networkBreast tumorDynamic contrast-enhanced magnetic resonance imaging(DCE-MRI)Automatic segmentation
栏目名称
DOI
10.3969/j.issn.1672-8270.2026.04.003
发布时间
2026-05-14（万方平台首次上网日期，不代表论文的发表时间）
- 浏览2
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
