对循环肿瘤细胞检测的荧光显微成像系统及其方法技术方案

本申请涉及荧光显微成像技术领域，其具体地公开了一种对循环肿瘤细胞检测的荧光显微成像系统及其方法，其首先获取被检测样本的荧光显影图像，然后，将所述荧光显影图像进行图像预处理并通过基于第一卷积神经网络模型的浅层特征提取器以得到荧光浅层特征图，接着，将所述荧光浅层特征图通过空间注意力模块和基于第二卷积神经网络模型的深层特征提取器以得到荧光深层特征图，最后，融合所述空间强化荧光浅层特征图和所述荧光深层特征图后通过解码器并进行图像语义分割以得到分割结果，并基于所述分割结果确定CTC细胞的数量。通过这样的方式，从而准确地计算CTC细胞的数量。从而准确地计算CTC细胞的数量。从而准确地计算CTC细胞的数量。

【技术实现步骤摘要】
对循环肿瘤细胞检测的荧光显微成像系统及其方法


[0001]本申请涉及荧光显微成像
，且更为具体地，涉及一种对循环肿瘤细胞检测的荧光显微成像系统及其方法。

技术介绍

[0002]循环肿瘤细胞（CTC）是从原发或转移的肿瘤脱落进入血液循环的稀有细胞，它们可以作为肿瘤生物学和临床治疗的重要标志物。CTC的检测和分析对于肿瘤早期诊断、预后评估、治疗效果监测和个体化治疗具有重要意义。
[0003]然而，由于CTC在血液中的数量极低（约每毫升血液中有1
‑
10个），且与正常血细胞具有相似的形态和大小，因此CTC的检测和分离是一项极具挑战性的任务。目前，常用的CTC检测方法主要包括基于表面抗原的免疫富集法、基于物理特性的分离法和基于功能特性的分离法等，但这些方法都存在一定的局限性，如特异性低、操作复杂、样本损失大等。
[0004]因此，期待一种优化的解决方案。

技术实现思路

[0005]本申请提供一种对循环肿瘤细胞检测的荧光显微成像系统及其方法，其首先获取被检测样本的荧光显影图像，然后，将所述荧光显影图像进行图像预处理并通过基于第一卷积神经网络模型的浅层特征提取器以得到荧光浅层特征图，接着，将所述荧光浅层特征图通过空间注意力模块和基于第二卷积神经网络模型的深层特征提取器以得到荧光深层特征图，最后，融合所述空间强化荧光浅层特征图和所述荧光深层特征图后通过解码器并进行图像语义分割以得到分割结果，并基于所述分割结果确定CTC细胞的数量。通过这样的方式，从而准确地计算CTC细胞的数量。
[0006]第一方面，提供了一种对循环肿瘤细胞检测的荧光显微成像系统，所述系统包括：数据获取单元，用于获取被检测样本的荧光显影图像；图像预处理单元，用于将所述荧光显影图像进行图像预处理以得到预处理后荧光显影图像；浅层特征提取单元，用于将所述预处理后荧光显影图像通过基于第一卷积神经网络模型的浅层特征提取器以得到荧光浅层特征图；空间强化单元，用于将所述荧光浅层特征图通过空间注意力模块以得到空间强化荧光浅层特征图；深层特征提取单元，用于将所述空间强化荧光浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到荧光深层特征图；特征融合单元，用于融合所述空间强化荧光浅层特征图和所述荧光深层特征图以得到荧光特征图；解码单元，用于将所述荧光特征图通过解码器以得到解码图像；以及，计数单元，用于对所述解码图像进行图像语义分割以得到分割结果，并基于所述分割结果确定CTC细胞的数量。
[0007]结合第一方面，在第一方面的一种实现方式中，所述浅层特征提取单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第
一卷积神经网络模型的第一层的输入为所述预处理后荧光显影图像，所述第一卷积神经网络模型的最后一层的输出为所述荧光浅层特征图，所述第一卷积神经网络模型的层数大于等于1且小于等于6。
[0008]结合第一方面，在第一方面的一种实现方式中，所述空间强化单元，包括：池化单元，用于对所述荧光浅层特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；级联单元，用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；卷积编码单元，用于使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；得分矩阵获取单元，用于将所述卷积特征矩阵通过激活函数以得到空间注意力得分矩阵；以及，注意力施加单元，用于将所述空间注意力得分矩阵与所述荧光浅层特征图沿通道维度的各个特征矩阵进行按位置点乘以所述空间强化荧光浅层特征图。
[0009]结合第一方面，在第一方面的一种实现方式中，所述深层特征提取单元，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第二卷积神经网络模型的最后一层输出所述荧光深层特征图。
[0010]结合第一方面，在第一方面的一种实现方式中，所述特征融合单元，用于：使用如下融合公式来融合所述空间强化荧光浅层特征图和所述荧光深层特征图以得到荧光特征图；其中，所述融合公式为：，其中，为所述荧光特征图，为所述空间强化荧光浅层特征图，为所述荧光深层特征图，
“”
表示所述空间强化荧光浅层特征图和所述荧光深层特征图相对应位置处的元素相加，和为用于控制所述荧光特征图中所述空间强化荧光浅层特征图和所述荧光深层特征图之间的平衡的加权参数。
[0011]结合第一方面，在第一方面的一种实现方式中，还包括用于对所述基于第一卷积神经网络模型的浅层特征提取器、所述空间注意力模块、所述基于第二卷积神经网络模型的深层特征提取器和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被检测样本的训练荧光显影图像，以及，CTC细胞的数量的真实值；训练图像预处理单元，用于将所述训练荧光显影图像进行图像预处理以得到训练预处理后荧光显影图像；训练浅层特征提取单元，用于将所述训练预处理后荧光显影图像通过所述基于第一卷积神经网络模型的浅层特征提取器以得到训练荧光浅层特征图；训练空间强化单元，用于将所述训练荧光浅层特征图通过所述空间注意力模块以得到训练空间强化荧光浅层特征图；训练深层特征提取单元，用于将所述训练空间强化荧光浅层特征图通过所述基于第二卷积神经网络模型的深层特征提取器以得到训练荧光深层特征图；训练特征融合单元，用于融合所述训练空间强化荧光浅层特征图和所述训练荧光深层特征图以得到训练荧光特征图；优化单元，用于对所述训练荧光特征图进行特征流形曲面优化以得到优化荧光特征图；训练解码单元，用于将所述优化荧光特征图通过所述解码器以得到训练解码图像；训练计数单元，用于对所述解码图像进行图像语义
分割以得到分割结果，并基于所述分割结果确定CTC细胞的数量；以及，训练单元，用于计算所述CTC细胞的数量和所述CTC细胞的数量的真实值之间的均方差作为损失函数值，并通过梯度下降的传播方向对所述基于第一卷积神经网络模型的浅层特征提取器、所述空间注意力模块、所述基于第二卷积神经网络模型的深层特征提取器和所述解码器进行训练。
[0012]结合第一方面，在第一方面的一种实现方式中，所述优化单元，用于：以如下优化公式对所述训练荧光特征图进行特征流形曲面优化以得到优化荧光特征图；其中，所述优化公式为：，其中是所述训练荧光特征图的第个位置的特征值，和是所述训练荧光特征图中各个位置特征值集合的均值和标准差，表示最大值函数，且是所述优化荧光特征图的第位置的特征值。
[0013]第二方面，提供了一种基于数据智能的燃气管网远传状态监控方法，所述方法包括：获取被检测样本的荧光显影图像；将所述荧光显影图像进行图像预处理以得到预处理后荧光显影图像；将所述预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，包括：数据获取单元，用于获取被检测样本的荧光显影图像；图像预处理单元，用于将所述荧光显影图像进行图像预处理以得到预处理后荧光显影图像；浅层特征提取单元，用于将所述预处理后荧光显影图像通过基于第一卷积神经网络模型的浅层特征提取器以得到荧光浅层特征图；空间强化单元，用于将所述荧光浅层特征图通过空间注意力模块以得到空间强化荧光浅层特征图；深层特征提取单元，用于将所述空间强化荧光浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到荧光深层特征图；特征融合单元，用于融合所述空间强化荧光浅层特征图和所述荧光深层特征图以得到荧光特征图；解码单元，用于将所述荧光特征图通过解码器以得到解码图像；以及计数单元，用于对所述解码图像进行图像语义分割以得到分割结果，并基于所述分割结果确定CTC细胞的数量。2.根据权利要求1所述的对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，所述浅层特征提取单元，用于：使用所述第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络模型的第一层的输入为所述预处理后荧光显影图像，所述第一卷积神经网络模型的最后一层的输出为所述荧光浅层特征图，所述第一卷积神经网络模型的层数大于等于1且小于等于6。3.根据权利要求2所述的对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，所述空间强化单元，包括：池化单元，用于对所述荧光浅层特征图分别进行沿通道维度的平均池化和最大值池化以得到平均特征矩阵和最大值特征矩阵；级联单元，用于将所述平均特征矩阵和所述最大值特征矩阵进行级联和通道调整以得到通道特征矩阵；卷积编码单元，用于使用所述空间注意力模块的卷积层对所述通道特征矩阵进行卷积编码以得到卷积特征矩阵；得分矩阵获取单元，用于将所述卷积特征矩阵通过激活函数以得到空间注意力得分矩阵；注意力施加单元，用于将所述空间注意力得分矩阵与所述荧光浅层特征图沿通道维度的各个特征矩阵进行按位置点乘以所述空间强化荧光浅层特征图。4.根据权利要求3所述的对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，所述深层特征提取单元，用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于局部特征矩阵的池化处理和非线性激活处理以由所述第二
卷积神经网络模型的最后一层输出所述荧光深层特征图。5.根据权利要求4所述的对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，所述特征融合单元，用于：使用如下融合公式来融合所述空间强化荧光浅层特征图和所述荧光深层特征图以得到所述荧光特征图；其中，所述融合公式为：，其中，为所述荧光特征图，为所述空间强化荧光浅层特征图，为所述荧光深层特征图，
“”
表示所述空间强化荧光浅层特征图和所述荧光深层特征图相对应位置处的元素相加，和为用于控制所述荧光特征图中所述空间强化荧光浅层特征图和所述荧光深层特征图之间的平衡的加权参数。6.根据权利要求5所述的对循环肿瘤细胞检测的荧光显微成像系统，其特征在于，还包括用于对所述基于第一卷积神经网络模型的浅层特征提取器、所述空间注意力模块、所述基于第二卷积神经网络模型的深层特征提取器和所述解码器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括被检测样本的训练荧光显影图像，以及，CTC细胞的数量的真实值；训练图像预处理单元，用于将所述训练荧光显影图像进行图像预处理以得到训练预处理后荧光显影图像；训练浅层特征提取单元，用于将所述训练预处理后荧光显影图像通过所述基于第一卷积神经网络模型的浅层特征提取器以得到训练荧光浅层特征图；训练空间强化单元，用于将所述训练荧光浅层特征图通过所述空间注意力模块以得到训练空间强化荧光浅层特征图；训练深层特征提...

【专利技术属性】
技术研发人员：张开山，饶浪晴，田华，赵丹，于磊，马宁，李超，郭志敏，刘艳省，
申请(专利权)人：杭州华得森生物技术有限公司，
类型：发明
国别省市：