文献类型：期刊文章

作　　者：秦传波[1] 宋子玉[1] 曾军英[1] 田联房[2] 李芳[3]

QIN Chuan-bo;SONG Zi-yu;ZENG Jun-ying;TIAN Lian-fang;LI Fang(Faculty of Intelligent Manufacturing,Wuyi University,Jiangmen 529020,China;School of Automation Science and Engineering,South China University of Technology,Guangzhou 510641,China;Jiangmen Maternal and Child Healthcare Hospital,Jiangmen 529020,China)

机构地区：[1]五邑大学智能制造学部,广东江门529020 [2]华南理工大学自动化科学与工程学院,广东广州510640 [3]江门市妇幼保健院,广东江门529020

出　　处：《光学精密工程》

基　　金：国家自然科学基金资助项目(No.61771347);广东省基础与应用基础研究基金资助项目(No.2019A1515010716);广东普通高校人工智能重点领域专项资助项目(No.2019KZDZX1017);广东省数字信号与图像处理技术重点实验室开放基金资助项目(No.2020GDDSIPL-03;No.2019GDDSIPL-03)。

年　　份：2021

卷　　号：29

期　　号：4

起止页码：877-895

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对DCE-MRI乳腺癌病变区的浸润范围勾画精度低、结构形态变化大、强度不均和边界对比度低等原因,导致乳腺癌病变区自动化分割存在准确率低和错分割的问题,为此,本文构建了一个二阶段乳腺癌病变区分割框架,提出一种乳腺癌病变区分割模型UTB-net,分别在编码路径和末端整合多尺度和Non-local,在解码路径构建注意力-残差模块。首先,利用基准U-net网络模型实现对乳房区域的粗糙勾画,消除影像中胸肌肉、脂肪、心脏等不相关组织对乳腺癌分割的影响。然后,基于提取的ROI结果,在模型的编码路径嵌入了多尺度信息融合和Non-local模块。最后,在解码路径构建了一种注意力-残差混合解码模块,并引入深度监督机制,以提高乳腺癌病灶的分割精度。实验结果表明:相较于UNet基准模型,乳腺癌分割指标DICE,IOU,SEN,PPV分别提升了4%,4.78%,5.92%和3.94%。所提模型在提高了乳腺癌分割结果的同时,减少了小面积误分割和钙化分割。

关 键 词：DCE-MRI 分割  乳腺癌 U-net  注意力 残差网络  

分 类 号：TP391]