基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法技术

本发明专利技术涉及一种基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，包括：获取乳腺癌多光子图像；根据乳腺癌多光子图像中的肿瘤相关胶原特征，在乳腺癌多光子图像中采集设定数量的图像块，对其进行数据清洗和数据预处理，构造训练数据集；构建组织成分识别模块并用其学习训练数据集中的特征信息；根据乳腺组织病理特点和临床肿瘤切除原则，构建组织成分可视化模块，显示组织成分识别结果；对给定的乳腺癌多光子图像进行从局部到整体的识别，以滑动窗口的方式重叠地将图像块输入到组织成分识别模块，输出组织成分类别；最后将所有的组织成分识别结果整合，形成最终的切缘识别结果。该方法有利于快速、自动地识别切除范围和乳腺癌切缘位置。癌切缘位置。癌切缘位置。

【技术实现步骤摘要】
基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法


[0001]本专利技术属于计算机视觉领域，具体涉及一种基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法。

技术介绍

[0002]手术切除是临床治疗乳腺癌的主要手段之一，确定切除范围对于乳腺癌切除手术具有重要意义。现有的方式主要是依靠外科医生的经验来判断，不确定性较大，常存在治疗不足和治疗过度的矛盾。尽管术后可以通过病理检查来验证手术效果，但传统的病理检查方法需要经历切片染色等繁琐的步骤，无法及时为外科医生提供手术指导。
[0003]多光子显微成像技术已广泛应用于生物医学研究。该技术可以无标记地获取用于组织病理诊断的高分辨图像，具备为外科医生提供术中指导的潜力。研究表明，多光子肿瘤相关胶原特征与乳腺癌的发展密切相关，为精准识别乳腺癌切缘提供了重要科学依据。然而，通过人眼直接对多光子图像进行判别不但需要对临床医生进行大量的培训，而且需要光学专家和多科室的医学专家进行深度合作。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，该方法有利于快速、自动地识别切除范围和乳腺癌切缘位置。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，包括以下步骤：
[0006]步骤S1：根据乳腺组织的多光子激发特性选择激发波长，获取对应激发波长的乳腺癌多光子图像；
[0007]步骤S2：根据乳腺癌多光子图像中的肿瘤相关胶原特征，在乳腺癌多光子图像中采集设定数量的图像块，对其进行数据清洗和数据预处理，构造训练数据集；
[0008]步骤S3：构建组织成分识别模块，并使用所构建的组织成分识别模块学习训练数据集中的特征信息；
[0009]步骤S4：根据乳腺组织病理特点和临床肿瘤切除原则，构建组织成分可视化模块，显示组织成分识别结果；
[0010]步骤S5：对给定的乳腺癌多光子图像进行从局部到整体的识别，以滑动窗口的方式重叠地将图像块输入到组织成分识别模块，输出组织成分类别；最后将所有的组织成分识别结果整合，形成最终的切缘识别结果。
[0011]进一步地，步骤S1中，采用多光子显微成像系统获取乳腺癌多光子图像，所述多光子显微成像系统具备可调谐的输出波长，通过反射光栅和光电倍增管阵列获得组织样本的后向散射信号，并通过电动工作台实现大尺寸扫描成像。
[0012]进一步地，步骤S1中，收集乳腺癌病例无标记切片，分析样品的组织成分；通过多次的实验比较，选择最适合乳腺组织成像的激发波长，以产生最佳质量的图像；选取切片中
的肿瘤及其周边区域，采集乳腺癌多光子图像。
[0013]进一步地，步骤S2具体包括以下步骤：
[0014]步骤S21：根据肿瘤相关胶原特征和肿瘤细胞，对乳腺癌多光子图像中的重要组织成分和辅助识别目标进行局部采样；所述重要组织成分包括：肿瘤相关胶原特征和肿瘤细胞；所述辅助识别目标包括：脂肪、正常胶原、正常小叶、正常导管、正常细胞；逐类别采集足够数量的图像块，构建初始数据集；
[0015]步骤S22：进行数据清洗，剔除初始数据集中样品残损与特征异常的图像块；
[0016]步骤S23：进行数据预处理，通过对图像块进行随机的旋转、镜像、调整亮度操作，扩充数据总量并均衡数据分布，构造训练数据集。
[0017]进一步地，步骤S3具体包括以下步骤：
[0018]步骤S31：构建具有残差结构的组织成分识别网络，分为三个阶段，由下采样层、中间层和分类层组成；网络的输入为图像块X，输出为组织成分类别Y；
[0019]第一阶段的下采样层由1个卷积层和1个池化层组成；将原图像块X输入到一个卷积核为7
×
7，激活函数为ReLU的卷积层，并通过一个卷积核为3
×
3，激活函数为Max的池化层，完成图像到特征图的转换，得到特征图F，具体表达式为：
[0020]F0＝Max(Conv(X))
[0021]其中，X表示输入的图像块；
[0022]第二阶段的中间层由8个串联的残差模块组成，用来提取可描述乳腺组织成分的高维特征；残差模块结构相同，由两个卷积核为3
×
3，步长为1的卷积层组成；通过8个串联的残差模块来提取图像块的高维特征，计算公式为：
[0023]S0＝Conv(Conv(F0))+F0[0024]S1＝Conv(Conv(S0))+S0[0025]……
[0026]S7＝Conv(Conv(S6))+S6[0027]其中，S0、S1、...、S7表示每个残差模块的输出特征，将最后一个残差模块输出的特征S7作为中间层提取到的最高维度特征F1；
[0028]第三阶段的分类层由1个池化层、1个全连接层和1个回归层串联组成；先将中间层提取到的最高维特征输入到一个卷积核为1
×
1，激活函数为Average的池化层，得到一个平均后的高维特征；再通过一个激活函数为ReLU的全连接层，整合具有区分性的高维度特征，得到一个一维向量；再通过一个激活函数为Soffmax的回归层进行分类，最终得到图像块的组织成分识别结果Y；计算公式为：
[0029]Y＝Softmax(Average(Conv(F1)))
[0030]其中，Y表示输出的组织成分识别结果；
[0031]步骤S32：根据患者和数据的分布，将训练数据集中的目标类别以统一的方式划分为：训练集、验证集和测试集；利用反向传播方法计算网络中各参数的梯度，并利用随机梯度下降方法更新网络中的参数。
[0032]进一步地，步骤S4具体包括以下步骤：
[0033]步骤S41：根据乳腺组织病理特点，将乳腺癌多光子图像中的识别目标划分为三类集合：肿瘤细胞集、肿瘤细胞浸润集以及浸润前沿集；其中，肿瘤细胞集包括：肿瘤相关胶原
特征1
‑
3和肿瘤细胞；肿瘤细胞浸润集包括：肿瘤相关胶原特征4
‑
6；浸润前沿集包括：肿瘤相关胶原特征7
‑
8、脂肪、正常胶原、正常小叶、正常导管和正常细胞；
[0034]步骤S42：根据临床肿瘤切除原则，将三类集合划分为切除区域和保留区域，并设计识别结果可视化模块对其加以区分；设置肿瘤细胞集和肿瘤细胞浸润集为切除区域，用暖色系颜色表示不同的识别目标；设置浸润前沿集为保留区域，用冷色系颜色表示不同的识别目标。
[0035]进一步地，步骤S5具体包括以下步骤：
[0036]步骤S51：在给定的乳腺癌多光子图像中，以滑动窗口的方式重叠地将乳腺癌多光子图像的每个图像块输入到训练好的组织成分识别模块中，输出组织成分Y
i
，并对图像块所覆盖区域的识别次数N加1；
[0037]步骤S52：根据组织成分Y
i
对图像块所覆盖的区域进行赋值，切除区域为1，保留区域为0，得到赋值结果T
i
；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，其特征在于，包括以下步骤：步骤S1：根据乳腺组织的多光子激发特性选择激发波长，获取对应激发波长的乳腺癌多光子图像；步骤S2：根据乳腺癌多光子图像中的肿瘤相关胶原特征，在乳腺癌多光子图像中采集设定数量的图像块，对其进行数据清洗和数据预处理，构造训练数据集；步骤S3：构建组织成分识别模块，并使用所构建的组织成分识别模块学习训练数据集中的特征信息；步骤S4：根据乳腺组织病理特点和临床肿瘤切除原则，构建组织成分可视化模块，显示组织成分识别结果；步骤S5：对给定的乳腺癌多光子图像进行从局部到整体的识别，以滑动窗口的方式重叠地将图像块输入到组织成分识别模块，输出组织成分类别；最后将所有的组织成分识别结果整合，形成最终的切缘识别结果。2.根据权利要求1所述的基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，其特征在于，步骤S1中，采用多光子显微成像系统获取乳腺癌多光子图像，所述多光子显微成像系统具备可调谐的输出波长，通过反射光栅和光电倍增管阵列获得组织样本的后向散射信号，并通过电动工作台实现大尺寸扫描成像。3.根据权利要求1所述的基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，其特征在于，步骤S1中，收集乳腺癌病例无标记切片，分析样品的组织成分；通过多次的实验比较，选择最适合乳腺组织成像的激发波长，以产生最佳质量的图像；选取切片中的肿瘤及其周边区域，采集乳腺癌多光子图像。4.根据权利要求1所述的基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，其特征在于，步骤S2具体包括以下步骤：步骤S21：根据肿瘤相关胶原特征和肿瘤细胞，对乳腺癌多光子图像中的重要组织成分和辅助识别目标进行局部采样；所述重要组织成分包括：肿瘤相关胶原特征和肿瘤细胞；所述辅助识别目标包括：脂肪、正常胶原、正常小叶、正常导管、正常细胞；逐类别采集足够数量的图像块，构建初始数据集；步骤S22：进行数据清洗，剔除初始数据集中样品残损与特征异常的图像块；步骤S23：进行数据预处理，通过对图像块进行随机的旋转、镜像、调整亮度操作，扩充数据总量并均衡数据分布，构造训练数据集。5.根据权利要求1所述的基于多光子肿瘤相关胶原特征的乳腺癌切缘识别方法，其特征在于，步骤S3具体包括以下步骤：步骤S31：构建具有残差结构的组织成分识别网络，分为三个阶段，由下采样层、中间层和分类层组成；网络的输入为图像块X，输出为组织成分类别Y；第一阶段的下采样层由1个卷积层和1个池化层组成；将原图像块X输入到一个卷积核为7
×
7，激活函数为ReLU的卷积层，并通过一个卷积核为3
×
3，激活函数为Max的池化层，完成图像到特征图的转换，得到特征图F，具体表达式为：F0＝Max(Conv(X))其中，X表示输入的图像块；
第二阶段的中间层由8个串联的残差模块组成，用来提取可描述乳腺组织成分的高维特征；残差模块结构相同，由两个卷积核为3
×
3，步长为1的卷积层组成；通过8个串联的残差模块来提取图像块的高维特征，计算公式为：S0＝Conv(Conv(F0))+F0S...

【专利技术属性】
技术研发人员：王舒，孙新全，刘文犀，许飞，刘晓翔，
申请(专利权)人：福州大学，
类型：发明
国别省市：