检索历史 清除

摘要乳腺癌已经成为女性发病率最高的癌症，而动态对比度增强磁共振影像（DCE-MRI）作为乳腺癌影像学常规检查方法，从形态学和血流动力学展现肿瘤内部的生物学特征。临床研究表明对乳腺DCE-MRI肿瘤的精确分割可以为早期诊断、临床治疗和术后复发监测提供可靠依据，但由于MRI图像中存在混淆背景且乳腺肿瘤具有大小形态多变、强度不均匀、边界模糊等特点会导致乳腺肿瘤在自动分割中出现准确率低和错分割的问题。<br>　　针对以上问题，本文提出一个基于多尺度特征与边界注意力机制的两阶段网络分割方法实现对乳腺DCE-MRI肿瘤的精确分割。首先，通过限制对比度自适应直方图均衡化提升图像的对比度并利用中值滤波去除数据中混杂噪声。随后，第一阶段通过U-Net网络对乳腺区域（BROI）进行粗略提取，用于去除乳腺区域外的背景及器官从而缓解由背景带来的类不平衡问题。第二阶段设计一种多尺度边界注意力融合网络，在BROI引导下实现乳腺肿瘤区域的分割。该网络嵌入多尺度特征融合模块，利用多尺度空洞卷积和逐级特征融合方式来提升其识别不同大小肿瘤的能力及信息传递效率；同时融入双域注意力引导模块和边界检测模块，通过捕获空间域和通道域的远程非局部依赖关系来提高网络对肿瘤全局定位的能力；并采用混合边缘权重损失函数，在缓解样本极度类不平衡影响的同时，通过额外的边界损失来提高网络的边界保持能力。<br>　　本文所提方法在上海交通大学附属瑞金医院提供的207例患者的乳腺DCE-MRI数据上进行了测试，Dice相似系数达到0.8067，其余评价指标均优于实验中其他对比网络模型。实验结果表明，本文所提的两阶段分割方法及各模块都能够提高模型的准确率，在分割效果上要优于其它方法，且模型的参数量较小，对早期乳腺癌的筛查诊疗有着启发性意义并具有一定的临床应用价值。