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）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114581701B(45)授权公告日2025.07.08

(21)申请号202210174552.9

(22)申请日2022.02.24

(65)同一申请的已公布的文献号申请公布号CN114581701A

(43)申请公布日2022.06.03

(73)专利权人杭州电子科技大学

地址310018浙江省杭州市钱塘新区白杨

街道2号大街1158号

(72)发明人范明楼俊鸿厉力华

(51)Int.CI.

GO6N3/084(2023.01)

G16H50/20(2018.01)

(56)对比文件

费思翔.基于图神经网络的乳腺癌多参数磁共振影像病理信息预测研究.中国优秀硕士论文全文数据库.2024,全文.

审查员徐振新

GO6V10/764(2022.01)

GO6V10/26(2022.01)

GO6V10/40(2022.01)

GO6V10/82(2022.01)

GO6N3/0464(2023.01)

权利要求书2页说明书6页附图3页

(54)发明名称

一种T2加权影像特征生成动态增强影像特征的方法

(57)摘要

CN114581701B一种T2加权影像特征生成动态增强影像特征的方法，包括：采集乳腺癌T2加权影像；对采集得到的T2加权影像进行乳房分割处理，得到乳房影像；对乳房影像利用训练好的卷积神经网络提取T2加权影像特征；基于T2加权影像特征，利用训练好的深度生成对抗网络，生成动态增强影像特征；基于新生成的动态增强影像特征进行乳腺癌病理信息分类，病理信息分类包含：良恶性分类、分子分型分类等。相对于传统的直接基于T2加权影像特征的病理信息分类方法，本发明生成的动态增强影像特征具有更高的灵敏度，相对于基于动态增强影像特征的病理信息分类方法，本

CN114581701B

DCE-1

DCE-1影像

机原赔影像数治集

乳房分割

通道拼接

DCE-RI影像T2V1影像

分类预训练分类预训练

DeaT2V1影像

DCE-MRI标签T271影像

影像特征特征

影像特征数据集二

基于GAN的DCE-RI影像特征生成算法训练

基于T2W1影像特征生成DCE-MRI影像特征

基于DCE-RI影像特征预测病理信息

特征提取

CN114581701B权利要求书1/2页

2

1.一种T2加权影像特征生成动态增强影像特征的方法，其特征在于，包括以下步骤：

S1:构建由乳腺癌影像组成的乳腺癌数据集，乳腺癌数据集中的每个样本包含3种类型的数据：DCE-MRI影像，T2WI影像，样本的类别标签；

S2:对乳腺癌数据集中乳腺癌影像进行数据预处理，针对每一张DCE-MRI和T2WI影像，利用乳房分割技术对乳房进行分割，去除影像中的胸腔和皮肤部分，仅保留有病灶的单侧乳房；

S3:对于S2分割完成后获得的乳房数据集，将DCE-MRI影像的六个序列的图像在通道维度上进行拼接，获得6通道的DCE-MRI影像，将T2WI影像在通道维度上复制三份，获得3通道的T2WI影像；

S4:数据划分，通过分层抽样，将乳房数据集划分为训练集和测试集；

S5:基于训练集中的数据，利用基于卷积神经网络的影像分类方法，进行乳腺癌分类预训练，得到DCE-MRI影像特征提取器和T2WI影像特征提取器；

S6:对于S3获得的6通道DCE-MRI影像和3通道T2WI影像，利用S5中获得的DCE-MRI影像特征提取器和T2WI影像特征提取器分别提取DCE-MRI影像特征和T2WI影像特征；

S7:对于S6获得的DCE-MRI影像特征数据集和T2WI影像特征数据集，利用基于深度生成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-MRI影像特征；

S8:在测试集上，测试基于T2WI影像特征生成的新DCE-MRI影像特征的病理信息诊断性

能；

所述乳腺癌分类预训练的具体步骤如下：

A1:向特征提取器传入图像，推理获得图像的特征z;

A2:将图像的特征z,传入分类器，获得图像的预测值父；

A3:结合图像