一种深层肿瘤新生血管的高分辨率光声成像方法技术

本发明专利技术公开了一种深度学习模型下深层肿瘤新生血管的高分辨率光声成像方法，属于生物医学成像领域，具体步骤为：采集训练数据，在声学分辨率光声成像系统下，采集肿瘤血管的低分辨率光声图像，在光学分辨率光声显微成像系统下，采集肿瘤血管的高分辨率光声图像；基于训练数据，训练深度学习模型，深度学习模型为生成对抗深度学习网络模型；基于训练后的深度学习模型，实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像。本发明专利技术实现了声学分辨率光声成像系统下的光学分辨率的光声图像重建，能够对深层肿瘤新生血管进行光学分辨率成像，清晰获取整个肿瘤区域的新生血管网络，从而为后续的各种肿瘤血管量化分析提供高质量的血管数据。

A high resolution photoacoustic imaging method for deep tumor neovascularization

【技术实现步骤摘要】
一种深层肿瘤新生血管的高分辨率光声成像方法
本专利技术属于生物医学成像
，具体涉及一种深层肿瘤新生血管的高分辨率光声成像方法。
技术介绍
肿瘤血管生成是指肿瘤会不断诱导组织生成新血管。新生成的血管除了为肿瘤生长提供养分，也是肿瘤扩散和转移的渠道。生物医学成像技术不但是肿瘤血管识别和定位的主要工具，也是在体观察血管生长、评估血管功能、以及肿瘤生长机理研究和检测抗肿瘤药物疗效的重要手段。基于不同物理效应发展起来的生物医学成像方法，如X射线计算机断层成像(CT)、磁共振成像(MRI)、超声成像等，已经成为临床上肿瘤早期发现、诊断和治疗评估的重要手段；另一方面，传统的高分辨率光学成像技术，如荧光共焦显微镜、双光子显微镜等，对于深入理解肿瘤的发生、发展和转移，以及抗肿瘤新药的开发，发挥了不可替代的作用。然而，临床上使用的MRI、CT、和超声等技术的空间分辨率远没有达到观察肿瘤血管生长和细微变化所需要的微米量级。而目前肿瘤新生血管的研究中使用最多的高分辨率光学成像技术，成像深度仅为0.5–1mm，应用范围有很大的局限。因此，急需一种实现深层肿瘤组织新生血管的高分辨率光声成像方法。
技术实现思路
本专利技术目的在于提供一种实现深层肿瘤组织新生血管的高分辨率光声成像的方法，专利技术的内容如下：一种深层肿瘤新生血管的高分辨率光声成像方法，包括如下步骤：步骤1、采集训练数据；在声学分辨率光声成像系统下，采集肿瘤血管的低分辨率光声图像；在光学分辨率光声显微成像系统下，采集肿瘤血管的高分辨率光声图像；步骤2、基于所述训练数据，训练深度学习模型，所述深度学习模型为生成对抗深度学习网络(generativeadversarialnetwork，GAN)模型；步骤3、基于训练后的所述深度学习模型，实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像。进一步地，所述训练数据采集时，将对应声学分辨率系统下成像断面的肿瘤组织以组织切片的方式切成薄片形成切片组织，然后对所述切片组织在光学分辨率光声显微系统下成像，形成高分辨率光声图像。进一步地，所述训练数据中的所述低分辨率光声图像与所述高分辨率光声图像之间在对比度、分辨率、空间像素位置和信号幅值方面进行预处理并调整配准。进一步地，所述生成对抗深度学习网络模型训练过程中，输入为所述低分辨率光声图像，通过目标函数最小化网络输出光声图像和所述组织切片的高分辨率光声图像之间来自逐像素丢失、对抗丢失和鉴别丢失的误差，实现网络模型参数的优化。进一步地，所述生成对抗深度学习网络模型训练过程中，选取80％的所述训练数据用于训练所述生成对抗深度学习网络，并确定所述生成对抗深度学习网络中的各个参数；剩余20％的所述训练数据用来验证所述生成对抗深度学习网络的性能。进一步地，将每一幅采集到的声学分辨率肿瘤新生血管图像，输入到训练后的所述深度学习模型，通过计算输出具有光学分辨率的肿瘤新生血管图像。进一步地，所述生成对抗深度学习网络模型如图2所示。本专利技术的有益效果：①实现了声学分辨率光声成像系统下的光学分辨率的光声图像重建；②基于本专利技术能够实现深层肿瘤组织新生血管的高分辨率光声成像，从而在实际应用中，能够获取整个肿瘤组织新生血管网络的高分辨率光声图像。然后，基于新生血管的网络，可以后续用图像处理的方法，实现对肿瘤新生血管形态的评估，如：直径，弯曲度，密度和分型维数等。这些量化参数可以直接用于肿瘤发展机理研究，肿瘤生长的监控、评估和预测。③不需对现有的声学分辨率和光学分辨率光声成像系统进行硬件改进，就可以实现；④肿瘤新生血管图像的光学分辨率成像，将为肿瘤生长机理研究，癌症早期诊断和抗肿瘤药物研发提供强有力的技术手段。附图说明图1深度学习模型下实现深层肿瘤组织新生血管的高分辨率光声成像的方法流程图图2深度学习模型训练、工作流程图具体实施方式本专利技术实施过程为：(一)训练数据的采集。在声学分辨率光声成像系统下采集肿瘤血管的低分辨率光声图像；在光学分辨率光声显微成像系统下，采集高分辨率的肿瘤血管图像；将对应声学分辨率系统下的成像断面的肿瘤组织利用组织切片的方式，将肿瘤组织切成薄片形成新的切片组织，然后对该切片组织在光学分辨率光声显微系统下成像，形成高分辨率光声图像；将低分辨率光声图像与所述高分辨率光声图像之间在对比度、分辨率、空间像素位置和信号幅值方面进行预处理并调整配准。(二)生成对抗深度学习网络模型的训练基于上述采集的训练数据，训练深度学习模型，本专利技术中采用生成对抗深度学习网络(generativeadversarialnetwork，GAN)模型，GAN模型同时训练两个子网络：G模型用于增强低分辨率图像，D模型用于返回对抗低分辨率增强图像的对抗丢失。训练过程中，通过目标函数最小化网络输出光声图像和所述组织切片的高分辨率光声图像之间来自逐像素丢失、对抗丢失和鉴别丢失的误差，实现网络模型参数的优化，本实施例采用以下丢失函数(目标函数)：L(D；G)＝-logD(y)-log[1-D(G(x))]其中，x为低分辨率光声图像，y为高分辨率光声图像，SSIM为结构相似性函数，MSE为均方误差函数。具体，将选取80％的训练数据用于训练生成对抗深度学习网络，确定网络中的各个参数；剩余20％用来验证生成对抗深度学习网络的性能。(三)高分辨率肿瘤新生血管成像训练后的深度学习模型可以实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像。具体的，将每一幅采集到的声学分辨率肿瘤新生血管图像，输入到训练后的深度学习网络模型，通过计算输出具有光学分辨率的肿瘤新生血管图像。以上所述，仅是本专利技术较佳实施例而已，并非对本专利技术的技术范围作任何限制，故凡是依据本专利技术的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本专利技术技术方案的范围的。本文档来自技高网...

【技术保护点】
1.一种深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：包括如下步骤：/n步骤1、采集训练数据；/n在声学分辨率光声成像系统下，采集肿瘤血管的低分辨率光声图像；/n在光学分辨率光声显微成像系统下，采集肿瘤血管的高分辨率光声图像；/n步骤2、基于所述训练数据，训练深度学习模型，所述深度学习模型为生成对抗深度学习网络(generative adversarial network，GAN)模型；/n步骤3、基于训练后的所述深度学习模型，实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像。/n

【技术特征摘要】
1.一种深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：包括如下步骤：
步骤1、采集训练数据；
在声学分辨率光声成像系统下，采集肿瘤血管的低分辨率光声图像；
在光学分辨率光声显微成像系统下，采集肿瘤血管的高分辨率光声图像；
步骤2、基于所述训练数据，训练深度学习模型，所述深度学习模型为生成对抗深度学习网络(generativeadversarialnetwork，GAN)模型；
步骤3、基于训练后的所述深度学习模型，实现声学分辨率光声成像系统下深层肿瘤新生血管的高分辨率成像。


2.根据权利要求1所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：所述训练数据采集时，将对应声学分辨率系统下成像断面的肿瘤组织以组织切片的方式切成薄片形成切片组织，然后对所述切片组织在光学分辨率光声显微系统下成像，形成高分辨率光声图像。


3.根据权利要求2所述的深层肿瘤新生血管的高分辨率光声成像方法，其特征在于：所述训练数据中的所述低分辨率光声图像与所述高分辨率光声图像之间在对比度、分辨率、空间像素位置和信号幅值方面进...

【专利技术属性】
技术研发人员：司广涛，孟静，赵景秀，禹继国，郑炜，
申请(专利权)人：曲阜师范大学，
类型：发明
国别省市：山东;37