基于深度学习的纳米铁标记神经干细胞示踪的方法技术

本发明专利技术涉及了磁共振影像深度学习和神经生物交叉学科领域，尤其是涉及了基于深度学习的纳米铁标记神经干细胞示踪的方法，包括如下步骤：S1：利用磁共振成像技术生成纳米铁标记的神经干细胞图像；S2：利用基于深度学习影像组学方法，获得了影像组学特征，得到潜在的多个候选图像；S3：在基于深度学习影像组学时，使用卷积神经网络对纳米铁标记的神经干细胞进行识别；S4：将一个三维卷积核的过滤盒顺利的选定肿瘤区域；S5：利用改良的费舍尔向量编码深度过滤影像数据；S6：利用费舍尔矢量编码，得到输入影像的纳米铁标记的神经干细胞分布情况。通过影像组学的深度学习精准的掌握细胞的位置，具有稳定、高效、自动、无损等特点。

【技术实现步骤摘要】
基于深度学习的纳米铁标记神经干细胞示踪的方法
本专利技术涉及了磁共振影像深度学习和神经生物交叉学科领域，尤其是涉及了基于深度学习的纳米铁标记神经干细胞示踪的方法。
技术介绍
影像组学(Radiomics)是通过采用了一系列高通量的定性和定量分析从医学影像中获取预测或预后信息的图像特征的一种新兴的方法。最近,影像组学已经被用于分析各种医学影像，并提供了与患者结果相关的信息，不同疾病中的表型和基因蛋白特征。后期开发的基于深度学习影像组学方法DeepLearning-basedRadiomics(DLR)。基于深度学习影像组学方法DLR通过对基于图像分割的深度神经网络的信息进行规范化，获得了影像组学特征。通过卷积神经网络获得的更准确的分割结果，可以提取更多的信息。与传统的计算特性不同，卷积神经网络的特色是使用卷积内核的操作来保存大量的全局空间信息。事实上，卷积神经网络的特性在许多领域比传统计算的特性表现出更好的性能，比如场景识别、域适应和细粒度识别。最近，卷积神经网络的特性显示了纹理属性识别的有希望的结果，而卷积神经网络优于传统方法超过10％。近年来，随着深度学习技术的飞速发展，其在视觉追踪领域已经得到成功应用，其强大的特征学习能力为实现神经干细胞示踪提供了条件，为本专利技术设计基于深度学习技术的纳米铁标记的神经干细胞示踪方法提供了有力支撑。为工程和医学的学科交叉得到很好的发展和应用。
技术实现思路
本专利技术的目的在于提供了基于深度学习的纳米铁标记神经干细胞示踪的方法，其采用深度学习的方法进行分析、提取、识别、特征计算，最终具有精准示踪、识别准确率高等特点的一种方法。为实现上述目的，本专利技术提供如下技术方案：基于深度学习的纳米铁标记神经干细胞示踪的方法，包括如下步骤：S1：利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像；S2：利用基于深度学习影像组学方法DeepLearning-basedRadiomics(DLR)，通过对基于图像分割的深度神经网络的信息进行规范化，获得了影像组学特征，得到潜在的多个候选图像；S3：在基于深度学习影像组学DLR时，使用卷积神经网络(CNN)对纳米铁标记的神经干细胞进行识别；S4：将完整的图像直接输入到网络中，同时使用了训练阶段的相同预处理参数，采用双三次插值方法对网络输出进行上行采样；在获得了卷积神经网络(CNN)输出的分割结果后，我们用几种形态学方法对分割结果进行了修正，将每个切片的最大连通区域首先选为候选区域，然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域；S5：利用改良的费舍尔向量编码深度过滤影像数据；S6：卷积神经网络CNN的功能从所有图像中提取出来，并用费舍尔Fisher矢量编码，为每个影像获得一个16384维度的特征集，建立一个基于多模态的分布式逻辑回归算法DLR(DistributedLogisticRegression)模型，并在第一个队列中进行了测试；基于单一模式的分布式逻辑回归算法DLR是利用第二队列构建的，并在两个队列中进行测试；得到输入影像的纳米铁标记的神经干细胞分布情况。进一步的，所述步骤S2中，基于深度学习影像组学方法对图像的选取包括如下具体步骤：S21:根据卷积神经网络CNN结构识别MR图像中的纳米铁标记神经干细胞移植区域；S22:通过费雪矢量编码从最后的卷积层提取深度滤波响应；S23:用一个leave-one-out交叉验证(留一法交叉验证)SVM(支持向量机(SupportVectorMachine,SVM))对预测结果进行了评价。进一步的，所述步骤S3中，使用了一个改良的卷积神经网络CNN结构，增加了两个卷积层，选择了具有6个卷积核的网络结构和4096个神经元的全连通层进行后续处理；将全连通层的参数增加到4096；将整流线性单元(ReLU)作为激活函数；并将整流线性单元(ReLU)设置为每一个卷积层；在每一个完全连通的卷积层之后，都应用了退出层。进一步的，所述步骤S3中，利用卷积神经网络(CNN)对纳米铁标记的神经干细胞进行识别包括如下步骤：S31：将需要识别的任务在卷积神经网络CNN的流行中转化为像素级的分类；S32：将训练集输入卷积神经网络CNN进行训练，卷积核在图像上进行卷积，得到图像的局部特征和全局特征；进一步的，所述步骤S5中改良的费舍尔向量编码，是利用高斯混合模型(GMM)，构建了一种视觉典库，并在矢量统计中对一些局部特征描述符进行了总结；基于训练数据获得了一个具有64个高斯分量的高斯混合模型GMM，然后将单个影像的所有的特征图拉伸成每一个深度过滤器的一维向量，并将它们合并成一个具有64个高斯分量的费舍尔矢量表示；集中描述表示每一个128个深度滤波器的64个高斯分量的一阶和二阶统计量，结果得到带有16k维度的描述符(128*64*2)。与现有技术相比，本专利技术的有益效果是：本专利技术主要利用了数字图象处理技术，对核磁共振采集的纳米铁标记的神经干细胞影像进行示踪，彻底解决了人工肉眼观察细胞不准确性的缺点，通过影像组学的深度学习精准的掌握细胞的位置，具有稳定、高效、自动、无损等特点。本专利技术的目的在于提供了基于深度学习的纳米铁标记神经干细胞示踪的方法，其采用深度学习的方法进行分析、提取、识别、特征计算，最终具有精准示踪、识别准确率高等特点的一种方法。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术最佳实施例中利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像；图2是本专利技术最佳实施例中卷积神经网络CNN结构示意图；图3是本专利技术最佳实施例中磁共振影像中像素块的图；图4是本专利技术最佳实施例中6个卷积核的网络结构和4096个神经元的全连通层图；图5是本专利技术最佳实施例中64个高斯分量的费舍尔矢量图；图6是本专利技术最佳实施例中的整流线性单元(ReLU)激活函数。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅如下图，本专利技术提供如下的具体技术方案：如图1-图5所示，基于深度学习的纳米铁标记神经干细胞示踪的方法，包括如下步骤：S1：利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像；利用3.0特斯拉(西门子三重器扫描仪)采集磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像，具体的扫描参数设置为：TR＝9000ms,TE＝99ms,TI＝2501ms，翻转角度＝150°，切片厚度＝2mm，像素间距＝0.4688mm，得到的图像为3DMRIT2-FLA本文档来自技高网...

【技术保护点】
1.基于深度学习的纳米铁标记神经干细胞示踪的方法，其特征在于，包括如下步骤：/nS1：利用磁共振成像技术生成纳米铁标记的神经干细胞图像；/nS2：利用基于深度学习影像组学方法，通过对基于图像分割的深度神经网络的信息进行规范化，获得影像组学特征，得到潜在的多个候选图像；/nS3：在基于深度学习影像组学DLR时，使用卷积神经网络对纳米铁标记的神经干细胞进行识别；/nS4：将完整的图像输入到网络中，同时使用训练阶段的相同预处理参数，采用双三次插值方法对网络输出进行上行采样；在获得了卷积神经网络输出的分割结果后，我们用几种形态学方法对分割结果进行了修正，将每个切片的最大连通区域首先选为候选区域，然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域；/nS5：利用改良的费舍尔向量编码深度过滤影像数据；/nS6：卷积神经网络的功能从所有图像中提取出来，并用费舍尔矢量编码为每个影像获得一个16384维度的特征集，建立一个基于多模态的分布式逻辑回归算法模型，并在第一个队列中进行测试；基于单一模式的分布式逻辑回归算法是利用第二队列构建的，并在两个队列中进行测试；得到输入影像的纳米铁标记的神经干细胞分布情况。/n...

【技术特征摘要】
1.基于深度学习的纳米铁标记神经干细胞示踪的方法，其特征在于，包括如下步骤：
S1：利用磁共振成像技术生成纳米铁标记的神经干细胞图像；
S2：利用基于深度学习影像组学方法，通过对基于图像分割的深度神经网络的信息进行规范化，获得影像组学特征，得到潜在的多个候选图像；
S3：在基于深度学习影像组学DLR时，使用卷积神经网络对纳米铁标记的神经干细胞进行识别；
S4：将完整的图像输入到网络中，同时使用训练阶段的相同预处理参数，采用双三次插值方法对网络输出进行上行采样；在获得了卷积神经网络输出的分割结果后，我们用几种形态学方法对分割结果进行了修正，将每个切片的最大连通区域首先选为候选区域，然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域；
S5：利用改良的费舍尔向量编码深度过滤影像数据；
S6：卷积神经网络的功能从所有图像中提取出来，并用费舍尔矢量编码为每个影像获得一个16384维度的特征集，建立一个基于多模态的分布式逻辑回归算法模型，并在第一个队列中进行测试；基于单一模式的分布式逻辑回归算法是利用第二队列构建的，并在两个队列中进行测试；得到输入影像的纳米铁标记的神经干细胞分布情况。


2.根据权利要求1所述的基于深度学习的纳米铁标记神经干细胞示踪的方法，其特征在于：所述步骤S2中，基于深度学习影像组学方法对图像的选取包括如下具体步骤：
S21:根据卷积神经网络结构识别MR图像中的纳米铁标记神经干细胞移植区域；
S22:通过费雪矢量编码从最后的卷积层提取深...

【专利技术属性】
技术研发人员：汤奇胜，史之峰，余锦华，朱剑虹，
申请(专利权)人：复旦大学附属华山医院，
类型：发明
国别省市：上海;31