基于多源信息融合的医学图像分割方法

医学图像中各成像方式存在自身缺陷，以单一源数据作为输入进行分割模型的构建与训练易导致病灶的分割准确率不足，因此提出基于多源信息融合的医学图像分割方法，并以乳腺癌微钙化簇病灶诊断中的FFDM与DBT这2类数据源为例，验证方法的有效性.方法利用Yolov4区域候选网络对FFDM数据进行可疑区域筛选；根据同一病人FFDM可疑区域进行DBT图像预处理；以预处理后的DBT图像作为改进U-Net模型的输入实现病灶分割；通过基于序贯相似性判别的断层分割结果融合策略，综合DBT中多断层结果完成病灶最终分割.方法在20例病人的FFDM与DBT数据上得到98.52%的真阳性率、10.45%的假阳性率与94.07%的精度.结果表明，本研究提出的基于多源信息融合的医学图像分割方法，有效利用多源数据优势，最终实现病灶的快速精确分割，可以为医学图像诊疗智能化提供一种全新的解决方案.