[發明專利]基于卷積神經網絡的無創在體干細胞示蹤方法及系統

有效

• 申請號: 202010062519.8
• 申請日: 2020-01-20
• 公開（公告）號: CN111276181B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 田捷;馬喜波;孫崢;王宇
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G16B5/00
• 分類號: G16B5/00;G16B40/00;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于卷積神經網絡的無創在體干細胞示蹤方法，其特征在于，該示蹤方法包括：

步驟S10，獲取無創在體干細胞對應的熒光強度向量，并結合生物體表節點進行光子密度強度歸一化處理，獲得歸一化體表節點熒光強度向量：

步驟S11，抽取所述熒光強度向量中生物體表節點對應的熒光強度，獲得體表節點熒光強度向量；

步驟S12，對所述體表節點熒光強度向量進行光子密度強度歸一化處理，獲得歸一化體表節點熒光強度向量；

步驟S20，基于所述歸一化體表節點熒光強度向量，通過訓練好的無創在體干細胞示蹤網絡，獲取所述無創在體干細胞的位置向量；

步驟S30，基于所述無創在體干細胞的位置向量實現無創在體干細胞示蹤；

其中，所述無創在體干細胞示蹤網絡為基于卷積神經網絡構建的用于獲取無創在體干細胞的位置向量并進行無創在體干細胞示蹤的神經網絡；

所述無創在體干細胞對應的熒光強度向量通過仿真軟件生成，其方法為：

步驟F10，采集生物待示蹤部位的CT圖像，并分割成不同的組織；

步驟F20，通過Amira軟件對分割后的CT圖像進行離散化，賦予各組織設定的光學參數；

步驟F30，通過MOSE軟件對Amira軟件處理后的數據進行仿真，獲取生物待示蹤部位的熒光強度向量集合。

2.根據權利要求1所述的基于卷積神經網絡的無創在體干細胞示蹤方法，其特征在于，所述光子密度強度歸一化，其方法為：

其中，Φ_i為第i個生物體表細胞對應的光子密度強度，Φ_max、Φ_min分別代表生物體表細胞對應的光子密度強度的最大值、最小值。

3.根據權利要求1所述的基于卷積神經網絡的無創在體干細胞示蹤方法，其特征在于，所述無創在體干細胞示蹤網絡基于卷積神經網絡構建，其訓練方法為：

步驟B10，通過權利要求1所述的基于卷積神經網絡的無創在體干細胞示蹤方法步驟S10方法，獲取訓練樣本集中每一個訓練樣本對應的歸一化體表節點熒光強度向量；獲取訓練樣本對應的位置向量，通過反距離加權方法計算所述位置向量的置信度作為標簽數據；

步驟B20，隨機選取一個訓練樣本對應的歸一化體表節點熒光強度向量，轉換為體表熒光二維灰度圖；

步驟B30，通過無創在體干細胞示蹤網絡對所述體表熒光二維灰度圖進行卷積池化操作以及全連接分類操作，獲取訓練樣本的預測位置向量；

步驟B40，通過預設的損失函數計算所述訓練樣本的預測位置向量與標簽數據之間的損失值；

步驟B50，若所述損失值大于設定閾值，則更新所述無創在體干細胞示蹤網絡參數，并跳轉步驟B20，直至所述損失值小于設定閾值，獲得訓練好的無創在體干細胞示蹤網絡。

4.根據權利要求3所述的基于卷積神經網絡的無創在體干細胞示蹤方法，其特征在于，步驟B10中“通過反距離加權方法計算所述位置向量的置信度作為標簽數據”，其方法為：

其中，x_i代表第i個節點處的光子密度強度值，B表示目標位置節點的鄰域節點集合，p₀代表目標位置節點，p_i代表目標位置節點的鄰域節點，q為可調節的冪參數，λ為區分腫瘤區域和非腫瘤區域的權重值。

5.根據權利要求3所述的基于卷積神經網絡的無創在體干細胞示蹤方法，其特征在于，所述預設的損失函數為：

其中，H(p,q)代表訓練樣本x的預測位置向量與標簽數據之間的損失值，q(x)為訓練樣本x的預測位置向量，p(x)為訓練樣本x的標簽數據。