【技术实现步骤摘要】
基于深度学习和荧光图像的肿瘤边界区域确定方法及系统
[0001]本专利技术属于医学图像处理
，尤其涉及一种基于深度学习和荧光图像的肿瘤边界区域确定方法及系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
[0003]医学影像能够帮助医生观察患者肿瘤的特征和边界，辅助医生确定肿瘤是否切除干净，应用于手术中肿瘤识别与定位的较为先进的技术为影像学，如基于术前CT或MRI影像的手术导航、术中实时超声成像或核磁共振成像(Magnetic Resonance Imaging，MRI)。手术导航虽然目前已被广泛用于术中引导肿瘤的切除，但是仍存在导航影像漂移的问题，因而容易造成误判；对于术中实时超声成像来说，其存在分辨率较低，且对浸润性肿瘤边界的识别敏感性较差的问题；对于MRI成像来说，其存在系统体积庞大，操作相对复杂，且检查时需要暂停手术等问题，且单台MRI设备价格上千万，难以推广。因此，目前临床上手术中的肿瘤识别与定位仍存在分辨率低，...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习和荧光图像的肿瘤边界区域确定方法，其特征在于，包括：获取患者的肿瘤细胞，根据所述肿瘤细胞的免疫学特征选用与其对应的单克隆抗体注入到患者的体内，在判定肿瘤细胞与单克隆抗体结合形成复合物时，提取样本组织做肿瘤病理切片；对所述肿瘤病理切片进行免疫荧光染色，得到荧光显微图像；将所述荧光显微图像输入至预先训练的肿瘤边界检测模型中，输出得到荧光染色图像的肿瘤边界区域，其中，在U
‑
Net网络的基础上，增加所述U
‑
Net网络的卷积层数，并加入残差块，构建所述肿瘤边界检测模型。2.如权利要求1所述的基于深度学习和荧光图像的肿瘤边界区域确定方法，其特征在于，获取所述肿瘤细胞的类型，根据所述类型确定与之对应的单克隆抗体；所述单克隆抗体与肿瘤细胞上的抗原发生特异性结合，形成复合物。3.如权利要求1所述的基于深度学习和荧光图像的肿瘤边界区域确定方法，其特征在于，利用小分子荧光素标记肿瘤细胞与单克隆抗体结合形成的复合物，得到免疫荧光复合物；利用荧光显微镜观察所述免疫荧光复合物，并扫描得到荧光显微图像。4.如权利要求1所述的基于深度学习和荧光图像的肿瘤边界区域确定方法，其特征在于，将U
‑
Net网络的4层编码解码架构变换成6层编码解码架构，在所述肿瘤边界检测模型中，荧光显微图像依次经过6层的降采样和卷积模块提取出不同尺度的特征图，所述特征图依次经过6层的上采样和卷积模块恢复尺度并融合先前特征，进行图像重构；所述卷积模块包括两层连续的卷积层。5.如权利要求1所述的基于深度学习和荧光图像的肿瘤边界区域确定方法，其特征在于，所述肿瘤边界检测模型的训练过程包括：获取含有肿瘤细胞的病理切片样本；按照预设比例将所述病理切片样本划分成第一病理切片样本和第二病理切片样本，对所述第一病理切片样本进行染色作为训练集，以及对所述第二病理切片样本进行人工边界标注之后进行二值化处理，得到测试集和验证...
【专利技术属性】
技术研发人员：李玮，赵晗竹，雷晟暄，田崇轩，张延冰，张振磊，安皓源，宋峻林，赵宇航，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。