摘要
随着发病率的逐年上升，乳腺癌已经成为严重影响女性身体健康最常见的疾病之一。乳腺MRI(MagneticResonanceImaging)作为诊断乳腺癌敏感度最高的成像方式，被广泛应用于乳腺癌的筛查。在所有常规乳腺MRI序列中，DCE-MRI(DynamiccontrastenhancedMRI)是一个主要序列，不仅因为它是检测乳腺癌最敏感的方法，更重要的是，它可以反映肿瘤血流动力学的异质性，包括微血管密度和血管通透性差异。因此，从DCE-MRI图像中准确地分割出肿瘤区域是非常重要的，这有助于临床客观、准确地评价乳腺病变的血流动力学异质性。然而常用的手动分割方法耗时费力，并且严重依赖医生的主观经验，尤其是对于病变的三维分割，易受阅片者主观偏见的影响。针对乳腺DCE-MRI图像，提出了基于深度神经网络的两种病灶分割算法，并通过消融实验以及对比实验验证了算法中各模块以及整体算法流程的有效性，主要工作包括: (1)提出了一种基于V-Net的级联网络模型用于病灶分割，通过采用级联网络的方式结合3D卷积和2D卷积在医学图像分割中的优势，在级联网络第一阶段的编码器末端加入多尺度特征提取模块，通过不同膨胀率的膨胀卷积提取并融合图像不同尺度的特征。同时在第二阶段网络的解码阶段加入深监督模块辅助网络更好的训练，从而得到更精准的分割结果。 (2)针对边缘部分分割精度低的问题，在数据预处理时利用频率域滤波提取原始MRI图像对应的K空间中的纹理信息并与原始图像进行拼接送入网络训练，增强网络可学习的边缘信息。同时提出一种边缘增强分支，利用权重矩阵将网络浅层特征图中包含的低级语义信息和高级语义信息分离，提高低级语义信息例如边缘、纹理等信息的利用率，对这些信息进行融合，提高模型对病灶的边缘部分的分割准确度。 综上所述，本文提出的算法能够对乳腺DCE-MRI图像中的病灶区域进行自动分割，提高了乳腺癌诊断的效率，为乳腺病变的精确分割和后续临床治疗效果的定量评估提供了一种高效的方法。
NETL