一种基于DINOv2的乳腺核磁共振病灶分割系统的制作方法

本发明涉及病灶分割，尤其涉及一种基于dinov2的乳腺核磁共振病灶分割系统。

背景技术：

1、乳腺核磁共振(mri)成像在乳腺疾病的早期诊断和治疗过程中扮演着重要角色，然而，乳腺mri图像的解释和分析仍然具有挑战性，其中最重要的挑战之一是准确且自动化地分割乳腺病灶区域，

2、传统的手工分割方法在准确性和效率上存在问题，因为它们通常需要大量的时间和专业医师的主观判断，此外，乳腺mri图像的复杂性使得传统的计算机视觉技术难以应对，例如图像中存在的不均匀对比度、噪声和乳腺组织的多样性，

3、因此，迫切需要一种自动化的、准确的乳腺病灶分割方法，以提高诊断速度和准确性，同时减少医疗专业人员的工作负担。

技术实现思路

1、基于上述目的，本发明提供了一种基于dinov2的乳腺核磁共振病灶分割系统。

2、一种基于dinov2的乳腺核磁共振病灶分割系统，包括输入模块、预处理模块、特征提取模块、区域评估模块、分割模块、输出模块以及存储模块，其中，

3、输入模块：用于接收乳腺核磁共振图像数据，并将其传递给预处理模块；

4、预处理模块：用于去噪和标准化输入模块传递来的图像数据，生成预处理后的图像数据；

5、特征提取模块：采用dinov2算法对预处理后的图像进行特征提取，生成特征图；

6、区域评估模块：接收特征提取模块生成的特征图，并运用统计模型对乳腺组织的密度进行评估，并输出该区域是否为高风险区域的评估结果；

7、分割模块：根据评估结果调整分割参数，并使用u-net架构进行病灶区域的分割；

8、输出模块：用于展示分割后的病灶区域，并将分割结果传递给存储模块进行存储；

9、存储模块：用于持久化存储分割结果和相关的评估数据。

10、进一步的，所述输入模块包括数据接口单元、缓冲单元、以及验证单元，具体的，

11、数据接口单元：用于通过医疗图像通信标准或文件上传来接收来自外部数据源的乳腺核磁共振图像数据，其中图像通信标准为dicom，文件上传格式为jpeg,png或tiff；

12、缓冲单元：接收数据接口单元传入的乳腺核磁共振图像数据，临时存储数据以进行初步的排序和批量管理，该缓冲单元还通过数据流控制算法来优化数据传输至预处理模块；

13、验证单元：对缓冲单元中存储的图像数据进行完整性和格式验证，以确保数据未被损坏并符合预定的医疗图像格式，具体的，通过验证的数据会被传递到预处理模块；

14、在该输入模块中，数据接口单元首先接收外部传入的乳腺核磁共振图像数据并将其传送到缓冲单元，缓冲单元负责临时存储并优化这些数据的传输流程，然后将数据传递到验证单元进行进一步检查，验证通过后，数据会被安全地转发到预处理模块进行后续操作，这些单元组合起来，确保了数据的高效、准确和安全的接收，从而提高了整个系统的可靠性和稳定性。

15、进一步的，所述预处理模块包括去噪子模块、标准化子模块和质量评估子模块，其中，

16、去噪子模块：采用基于小波变换的去噪算法，对从输入模块接收的乳腺核磁共振图像数据进行去噪处理，具体的，该去噪子模块利用多尺度小波分解，针对各个尺度和方向进行噪声评估和去噪；

17、标准化子模块：接收去噪子模块处理后的数据，然后通过z-score标准化方法将图像的像素值重新缩放到均值为0和标准差为1的范围内，从而减少数据集之间的变异性；

18、质量评估子模块：在去噪和标准化操作完成后，对处理结果进行质量评估，通过计算信噪比和对比度来判断图像质量，当预处理后的图像质量合格时，合格的图像会被发送到特征提取模块。

19、进一步的，所述特征提取模块包括dinov2执行单元、尺度分解单元以及特征编码单元，其中，

20、dinov2执行单元：接收来自预处理模块的预处理后的图像数据，然后使用dinov2算法进行特征提取，所述dinov2算法采用自监督学习机制，具体执行特征提取表达式为：

21、f(x)＝dinov2(x；θ)，

22、其中，f(x)是生成的特征图，x是输入的预处理图像数据，θ是在训练阶段学习到的模型参数；

23、尺度分解单元：接收dinov2执行单元生成的原始特征图，并通过金字塔结构算法进行多尺度分解，将特征图分解为多个尺度的子特征图；

24、特征编码单元：对尺度分解单元分解出的多个尺度的子特征图进行编码，具体采用哈希编码的方法进行编码，以降低特征维度同时保持信息完整性。

25、进一步的，所述通过金字塔结构算法进行多尺度分解的具体步骤为：

26、s1：设dinov2执行单元生成的原始特征图为f(x)，然后通过数学运算来确定适用于后续金字塔构造的不同尺度因子s1,s2,…,sn；

27、s2：采用金字塔结构算法，具体地使用如下公式进行特征图的尺度分解：

28、fi(x)＝resample(f(x),si)，

29、其中，fi(x)是在尺度；si上的子特征图；resample是重新采样函数，用于根据尺度因子si来改变特征图f(x)的尺寸，并储存由金字塔构造单元生成的各个尺度的子特征图：f1(x),f2(x),…,fn(x)。

30、进一步的，所述特征编码单元包括哈希生成器、哈希编码器和哈希存储器，具体的，

31、哈希生成器：接收子特征图储存单元存储的各个尺度的子特征图f1(x),f2(x),…,fn(x)，并生成对应的哈希种子hs，通过一组预定义的哈希函数hi来完成，具体表示为：hs＝hi(fi(x))；

32、哈希编码器：采用locality-sensitivehashing算法进行哈希编码，具体使用以下公式：

33、lsh(hs)＝sign(hs·r)，

34、其中，lsh(hs)是生成的哈希编码，hs是哈希种子，r是一个随机生成的矩阵，sign表示取符号函数；

35、哈希存储器：负责持久化存储哈希编码器生成的哈希编码。

36、进一步的，所述区域评估模块包括统计因子计算单元、高斯混合模型单元和风险评估输出单元，具体的，

37、统计因子计算单元：接收来自特征提取模块的特征图，并计算其在特定空间区域内的一阶和二阶统计量，具体地，一阶统计量是均值μ，二阶统计量是方差σ2，计算公式为：

38、

39、

40、其中，n是特定空间区域内像素的数量，xi是每个像素的灰度值；

41、高斯混合模型单元：应用高斯混合模型对上述统计因子进行建模，以估算乳腺组织的密度，高斯混合模型的公式为：

42、

43、其中，ωk是每个高斯分量的权重，是具有均值μk和方差σ2k的正态分布；

44、风险评估输出单元：根据高斯混合模型单元的结果，计算乳腺组织密度对应的风险概率prisk，具体的，当prisk>0.7时，该区域被标记为高风险区域；当prisk≤0.7时，该区域被标记为低风险区域。

45、进一步的，所述分割模块包括参数自适应调整单元和u-net分割器，其中，

46、参数自适应调整单元：接收来自区域评估模块的风险评估结果，根据该评估结果自动调整分割过程中的关键参数，具体关键参数包括分割阈值、滤波器大小、学习率和分割网络的权重，当评估结果表明存在高风险区域时，参数自适应调整单元会降低分割阈值，以更敏感地检测病灶，相反，当评估结果指示低风险区域时，提高阈值以减少误报；

47、u-net分割器：基于u-net架构，该分割器接收来自参数自适应调整单元的参数设置，并将该参数设置应用于乳腺核磁共振图像的分割任务，将图像分割成病灶区域和正常区域。

48、进一步的，所述输出模块包括病灶可视化单元和结果传输单元，其中，

49、病灶可视化单元：以可视化的方式展示分割后的病灶区域，以便医生或操作员进行观察和分析，具体的，病灶可视化包括以下步骤：

50、步骤一：使用u-net分割器根据输入的乳腺核磁共振图像和自适应参数，生成分割后的图像，其中包括病灶区域和正常区域；

51、步骤二：将分割后的病灶区域用特定的标记或颜色进行标注，以与正常组织区域明显区分；

52、步骤三：将标记后的图像以高分辨率的可视化方式呈现，采用彩色图像的形式表示，以突出显示病灶区域的位置和形状；

53、结果传输单元：用于将病灶可视化的结果传输给医生、专业人员或医疗系统，以便进一步的诊断、分析或存档，所述传输方式包括图像传输、报告生成、远程查看。

54、进一步的，所述存储模块包括持久化存储和元数据管理单元，其中，

55、持久化存储：用于将分割后的病灶图像和相关评估数据进行持久化存储，所述存储在本地设备、云端服务器或医疗信息系统中进行；

56、元数据管理：用于记录每个存储的图像和数据相关的元信息，该元信息包括病人信息、图像采集时间、分割参数、风险评估结果。

57、本发明的有益效果：

58、本发明，通过深度学习和自适应参数调整，能够自动处理不同乳腺组织的特性，从而提高了分割的准确性和鲁棒性，系统通过特征提取、区域评估和分割模块的协同工作，有效地识别病灶区域，为医生提供更可靠的分割结果，有助于准确的乳腺疾病诊断和治疗规划。

59、本发明，实现了自动化的分割过程，消除了繁重的手工工作和主观误差，医疗专业人员可以更快速地获取分割结果，有助于早期诊断和治疗的决策制定，这不仅提高了医疗效率，还有望在乳腺癌等乳腺疾病的早期阶段提供更有效的医疗干预，提高了患者的生存率和生活质量。

60、本发明，通过存储模块可以可靠地保存分割结果和相关的元数据，这有助于医疗研究人员进行大规模的图像分析和统计研究，促进了医学领域的科学进步，此外，系统还支持医疗档案管理，确保患者的乳腺图像和相关信息得以安全记录和检索，这对于长期的疾病监测和医疗决策具有重要意义。