CN114581701B 一种t2加权影像特征生成动态增强影像特征的方法 （杭州电子科技大学）

一种T2加权影像特征生成动态增强影像特一种T2加权影像特征生成动态增强影像特2S6：对于S3获得的6通道DCE-MRI影像和3通道T2WI影像特征提取器和T2WI影像特征提取器分别提取DCE-MRI影像特征对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-L=-byxlog(J)+(1-y)*log(1-)其中i为一个属于阳性的样本，ranki表示将测试集中的所有样本的概率按照从高到低32.如权利要求1所述的一种T2加权影像特征生成动态增强影像特征的方法，其特征在3.如权利要求1～2中任意一项所述的一种T2加权影像特征生成动态增强影像特征的4种成像参数，包含动态增强影像(DynamicContrastEnhancementMagneticResonance进行乳腺癌的诊断有重要作用，但其相对于包含更丰富的病灶信息的DCE-MRI，敏感度较于T2加权(T2WI)影像特征生成新的动态增强(DCE-MRI)影像特征，利用新生成的动态增强[0005]本发明的目的是提出一种基于深度对抗网络的T2加权影像特征生成动态增强影5影像特征提取器和T2影像特征提取器分别提取DCE-MRI影像特征和T2W对抗网络的特征生成方法，进行DCE-MRI影像特征生成训练，基于T2WI影像特征生成DCE-j;[0019]L=-bxlog(Ji)+(1-y)xlog(1-)]6[0036]S74：将真实的DCE-MRI影像特征Xr和基于T2WI影像特征生成的伪DCE-MRI影像特方法具有更高的灵敏度；相对于传统的直接基于卷积神经网络对DCE-MRI影像进行病理信[0050]图4为本发明中测试阶段基于深度对抗网络的T2加权影像乳腺癌病理信息诊断的抗网络的T2加权影像乳腺癌分类结果(图例GAN指示的曲线)，基于卷积神经网络的T2WI影像乳腺癌分类结果(图例T2指示的曲线)和基于卷积神经网络的DCE-MRI影像乳腺癌分类结[0054]影像收集模块1收集患者乳腺癌影像数据，每个样本包含三种类型的数据：DCE-7DCE-MRI影像一共有6个序列，分别为注射增强造影剂前后的六个时间段扫描获得的影像，[0056]影像分类预训练模块3分别对DCE-MRI影像和T2WI影像基于卷积神经网络做分类[0057]影像特征提取模块4提取影像特征。使用模块3中提供的DCE-MRI影像的特征提取[0058]深度特征生成模块5利用GAN进行DCE-MRI影像特征生成训练，利用GAN的生成能[0062]步骤2：对乳腺癌影像数据集进行数据预处理，利用乳房分割技术对乳房进行分8[0069]L=-yxlog(J)+(1-y)xlog(1-)]数据进行分类预训练，训练结束后，获得DCE-MRI影像的特征提取器和分类器。基于9生成伪DCE-MRI影像特征Xf，利用步骤6预训练好的D输出Xf良恶性的概率。经过特征生成训练后，T2WI影像特征的乳腺癌良恶性分类AUC为[0093]附图5为本发明具体实施案例中三种乳腺癌分类方法的ROC曲线和对应的AUC值，分别是基于GAN的T2WI影像特征生成DCE-MRI影像特征的乳腺癌分类结果(GAN指示的曲线)，基于卷积神经网络的T2WI影像乳腺癌分类结果(T2指示的曲线)和基于卷积神经网络加逼近DCE-MRI影像的ROC曲线。用Bootstrap方法对GAN模型和卷积分类模型的AUC进行显DCE-MRI影像特征进行良恶性分类相对于直接使用T2WI影像特征进行分类，其分类效果