本發(fā)明涉及醫(yī)學(xué)影像處理領(lǐng)域，具體涉及一種用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法。該方法提出了一種結(jié)合頻域特征提取、空間域細(xì)節(jié)增強(qiáng)、注意力機(jī)制及多尺度卷積單元的影像分割網(wǎng)絡(luò)，即諧波視覺蟒蛇框架（harmonic?vision?mambaframework,?hv-mamba）。hv-mamba通過整合多維傅里葉變換（fft）、頻空間域注意力機(jī)制、自適應(yīng)選擇卷積核等技術(shù)，提升乳腺癌影像中小病灶區(qū)域的分割精度與穩(wěn)定性。該框架適用于乳腺癌dce-mri中復(fù)雜背景和細(xì)微邊界特征的分割處理，為乳腺癌的早期篩查和臨床診斷提供了高效精準(zhǔn)的影像分割支持。

背景技術(shù)：

1、在醫(yī)學(xué)影像領(lǐng)域，準(zhǔn)確的影像分割在診斷和治療過程中起著至關(guān)重要的作用。例如，在乳腺癌檢測中，精確的病灶分割不僅有助于醫(yī)生對腫瘤區(qū)域的邊界和體積進(jìn)行準(zhǔn)確評估，還能支持個性化的治療方案設(shè)計(jì)；在動態(tài)對比增強(qiáng)磁共振成像（dce-mri）中，對腫瘤區(qū)域和正常組織的準(zhǔn)確區(qū)分，能幫助早期診斷，顯著提高治療效果。然而，目前的影像分割方法在處理復(fù)雜的解剖結(jié)構(gòu)、偽影和噪聲干擾時，精度和魯棒性仍有不足，特別是在小病灶區(qū)域的分割任務(wù)中，現(xiàn)有模型難以實(shí)現(xiàn)高質(zhì)量的分割。

2、當(dāng)前，基于u-net等編碼器-解碼器結(jié)構(gòu)的分割模型在醫(yī)學(xué)影像處理中得到了廣泛應(yīng)用，但由于其感受野有限，難以捕捉圖像的長程依賴和多尺度特征，導(dǎo)致在高噪聲和低對比度的乳腺影像中表現(xiàn)有限。同時，傳統(tǒng)的頻域處理方法如快速傅里葉變換（fft）可以提取影像的全局頻率信息，有效應(yīng)對復(fù)雜背景，但在處理多尺度和局部邊緣細(xì)節(jié)方面存在局限。此外，盡管基于圖卷積網(wǎng)絡(luò)的分割模型能夠處理不規(guī)則幾何形態(tài)，在復(fù)雜的乳腺解剖結(jié)構(gòu)和偽影豐富的影像中，特征提取的穩(wěn)定性和細(xì)節(jié)分辨率仍不夠理想。

3、為解決上述挑戰(zhàn)，本發(fā)明提出了一種基于多模塊的融合分割網(wǎng)絡(luò)——harmonicvision?mamba（hv-mamba）。hv-mamba通過引入頻域特征提取模塊、結(jié)合頻域與空間域注意力的混合注意力模塊、以及自適應(yīng)選擇卷積單元和空間通道交互模塊，可以在頻域和空間域捕獲關(guān)鍵特征，顯著增強(qiáng)了對乳腺癌影像的全局結(jié)構(gòu)和細(xì)微邊界的分割能力。hv-mamba的模塊化設(shè)計(jì)在應(yīng)對復(fù)雜背景噪聲和邊緣細(xì)節(jié)處理方面表現(xiàn)出顯著提升，為乳腺癌檢測和影像分割提供了高精度和高魯棒性的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對現(xiàn)有分割方法在處理復(fù)雜噪聲、幾何復(fù)雜性和邊緣特征模糊性方面存在明顯局限，特別是在乳腺癌dce-mri影像中的小病灶區(qū)域分割中，現(xiàn)有方法難以滿足精度的要求。本發(fā)明提出了一種用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，該方法提出了多模塊融合的分割網(wǎng)絡(luò)——諧波視覺蟒蛇框架（harmonic?vision?mambaframework,?hv-mamba），以解決現(xiàn)有技術(shù)中的上述問題。

2、本發(fā)明解決其技術(shù)問題所包含的技術(shù)方案包括以下的步驟：

3、步驟1、從多個公開的乳腺癌dce-mri醫(yī)學(xué)影像數(shù)據(jù)集中收集圖像數(shù)據(jù)；

4、步驟2、將收集到的圖像數(shù)據(jù)進(jìn)行整理和劃分，得到訓(xùn)練集和測試集；

5、步驟3、對步驟2中圖像數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理以確保不同影像設(shè)備或成像條件下的一致性；

6、步驟4、構(gòu)建結(jié)合頻域和多尺度注意力的分割網(wǎng)絡(luò)hv-mamba，該網(wǎng)絡(luò)包括4個核心模塊：諧波狀態(tài)空間模塊hss、混合坐標(biāo)頻率注意力模塊hcf、自選擇卷積單元sesk、空間通道交互模塊spac；

7、圖像數(shù)據(jù)在輸入時，第一條支路會進(jìn)入諧波狀態(tài)空間模塊hss，第二條支路進(jìn)行下采樣操作；進(jìn)入諧波狀態(tài)空間模塊hss處理的支路會將得到的特征輸出經(jīng)過4次殘差操作，同時最后輸出的特征和前三次殘差的結(jié)果會分別輸入到一個混合坐標(biāo)頻率注意力模塊hcf中，而第4次殘差操作后的特征輸入至自選擇卷積單元sesk；第二條支路則會進(jìn)行4次下采樣操作，每次得到的特征都會與第一條支路結(jié)果殘差操作后得到的特征對齊，兩條支路得到的特征進(jìn)行拼接處理，并輸入到空間通道交互模塊spac進(jìn)行通道混洗得到最終結(jié)果，最后再經(jīng)過多次卷積操作生成目標(biāo)區(qū)域；

8、步驟5、使用步驟3的預(yù)處理后數(shù)據(jù)集對構(gòu)建的分割網(wǎng)絡(luò)hv-mamba進(jìn)行訓(xùn)練；

9、步驟6、將訓(xùn)練得到的權(quán)重應(yīng)用于測試集中進(jìn)行分割效果的評估，通過dice相似系數(shù)（dice?similarity?coefficient,?dsc）、均交并比（mean?intersection?over?union,miou）、95%?hausdorff距離（95%?hausdorff?distance,?hd95）、kappa系數(shù)（kappa）、matthew相關(guān)系數(shù)（mcc）等指標(biāo)對模型進(jìn)行調(diào)優(yōu)，以進(jìn)一步提升分割精度和魯棒性。

10、本發(fā)明有益效果：

11、本發(fā)明在深度學(xué)習(xí)框架的基礎(chǔ)上，考慮到當(dāng)前醫(yī)學(xué)圖像處理面臨的主要問題包括噪聲干擾、幾何復(fù)雜性和語義模糊性，導(dǎo)致分割精度不高，影響診斷和治療的效果。本發(fā)明提出的多方面分割網(wǎng)絡(luò)，通過整合多頻率特征調(diào)制、變形卷積和上下文分析，顯著提高了醫(yī)學(xué)圖像分割的精度和魯棒性。其創(chuàng)新的多維特征融合技術(shù)，增強(qiáng)了對復(fù)雜幾何結(jié)構(gòu)和語義信息的識別能力，并且通過預(yù)訓(xùn)練和細(xì)化訓(xùn)練，提升了模型的泛化能力和適用性。該發(fā)明的應(yīng)用不僅提高了醫(yī)學(xué)圖像分割的準(zhǔn)確性，顯著提升了臨床診斷和治療的效率和效果，為醫(yī)學(xué)影像領(lǐng)域帶來了重要的技術(shù)進(jìn)步，最終改善了患者的醫(yī)療體驗(yàn)和治療結(jié)果。

12、本發(fā)明構(gòu)建的網(wǎng)絡(luò)，其中諧波狀態(tài)空間模塊hss通過多維傅里葉變換和全局特征提取抑制干擾噪聲；混合坐標(biāo)頻域注意機(jī)制hcf利用空間和頻域特征增強(qiáng)精細(xì)邊界表達(dá)；自選擇卷積單元sesk通過多尺度卷積選擇性增強(qiáng)局部特征以提升對小病灶的檢測敏感性；空間通道融合模塊spac則通過通道洗牌機(jī)制整合多域特征以平衡信息流。本發(fā)明通過上述模塊的獨(dú)立處理和協(xié)同工作，實(shí)現(xiàn)了復(fù)雜背景下乳腺腫瘤的精確分割，展示了其在醫(yī)學(xué)影像分割領(lǐng)域的廣泛應(yīng)用潛力。

技術(shù)特征：

1.用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，其特征在于，所述的諧波狀態(tài)空間模塊hss具體步驟如下：

3.根據(jù)權(quán)利要求2所述的用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，其特征在于，所述的混合坐標(biāo)頻率注意力模塊hcf，將輸入數(shù)據(jù)進(jìn)行快速傅里葉變換，通過對實(shí)部與虛部應(yīng)用坐標(biāo)注意力機(jī)制，增強(qiáng)在頻域和空間域下的細(xì)節(jié)表達(dá)，再通過卷積和反傅里葉變換將復(fù)合特征恢復(fù)至空間域，以提升邊緣和紋理特征的清晰度，具體實(shí)現(xiàn)如下：

4.根據(jù)權(quán)利要求3所述的用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，其特征在于，所述的自選擇卷積單元sesk具體實(shí)現(xiàn)如下：

5.根據(jù)權(quán)利要求4所述的用于乳腺癌dce-mri影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法，其特征在于，所述的空間通道融合模塊spac具體實(shí)現(xiàn)如下：

技術(shù)總結(jié)
本發(fā)明公開了一種用于乳腺癌DCE?MRI影像分割的多模塊融合分割網(wǎng)絡(luò)實(shí)現(xiàn)方法。本發(fā)明步驟：1、從多個公開的乳腺癌DCE?MRI醫(yī)學(xué)影像數(shù)據(jù)集中收集圖像數(shù)據(jù)；2、將收集到的圖像數(shù)據(jù)進(jìn)行整理和劃分，得到訓(xùn)練集和測試集；3、對步驟2中圖像數(shù)據(jù)進(jìn)行預(yù)處理，數(shù)據(jù)經(jīng)過標(biāo)準(zhǔn)化處理以確保不同影像設(shè)備或成像條件下的一致性；4、構(gòu)建結(jié)合頻域和多尺度注意力的分割網(wǎng)絡(luò)HV?Mamba，該網(wǎng)絡(luò)包括4個核心模塊：5、使用步驟3的預(yù)處理后數(shù)據(jù)集對構(gòu)建的分割網(wǎng)絡(luò)HV?Mamba進(jìn)行訓(xùn)練；6、將訓(xùn)練得到的權(quán)重應(yīng)用于測試集中進(jìn)行分割效果的評估。本發(fā)明通過上述模塊的獨(dú)立處理和協(xié)同工作，實(shí)現(xiàn)了復(fù)雜背景下乳腺腫瘤的精確分割，展示了其在醫(yī)學(xué)影像分割領(lǐng)域的廣泛應(yīng)用潛力。

技術(shù)研發(fā)人員：黃星儒,張曉帥,鄭志文,楊涵,黃高朋
受保護(hù)的技術(shù)使用者：杭州電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8