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％。...

【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...

【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