新型乳腺磁共振增强图像肿瘤区域的自动分割模型

作     者：马伟 刘鸿利 孙明建 徐军 蒋燕妮 Ma Wei;Liu Hongli;Sun Mingjian;Xu Jun;Jiang Yanni

作者机构：南京信息工程大学江苏省大数据分析技术重点实验室南京210044 南京医科大学第一附属医院放射科南京210029 

出 版 物：《中国生物医学工程学报》 (Chinese Journal of Biomedical Engineering)

年 卷 期：2019年第38卷第1期

页      面：28-34页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1004[医学-公共卫生与预防医学(可授医学、理学学位)] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 0836[工学-生物工程] 0702[理学-物理学] 10[医学] 

基　　金：国家自然科学基金(61771249 81501442) 江苏省"六大人才高峰"高层次人才项目(2013-XXRJ-019) 江苏省自然科学基金(BK20141482) 

主　　题：深度学习检测和分割模型 磁共振增强成像 乳腺癌 肿块型 非肿块型 

摘      要：乳腺磁共振增强图像上,乳腺癌主要有肿块型和非肿块型两种强化方式。由于乳腺肿瘤区域相对较小,肿块型和非肿块型之间形态学差异大,非肿块型自身差异性复杂,因而很难精确分割出乳腺肿瘤区域。针对这些问题,提出一套新颖的粗检测细分割的深度学习模型(YOLOv2+SegNet)。该模型在精准分割之前,首先运用YOLOv2网络在乳腺可能的肿瘤区域进行粗检测,从而得到大致可能的肿瘤区域;接下来在粗检测的基础上,针对检测到可能的肿瘤区域,运用SegNet网络进行精细分割,从而实现算法最优的性能。为了验证YOLOv2+SegNet模型的有效性,从医院采集的数据集中选取560张乳腺MRI增强图像作为训练和测试(其中训练和测试集分别为415张和145张乳腺MRI数据)。在实验的过程中,运用YOLOv2+SegNet模型,分别对乳腺肿块型、非肿块型、肿块和非肿块混合型3类MRI数据进行肿瘤区域自动分割的实验。实验结果表明:YOLOv2+SegNet模型和SegNet网络分割结果的Dice系数相比有约10%的提升,与传统的C-V模型、模糊C均值聚类、光谱映射主动轮廓模型以及深度模型U-net、DeepLab相比有更为明显的提升。