[發明專利]一種內窺式腫瘤血管正常化檢測系統及檢測方法

有效

• 申請號: 202010686934.0
• 申請日: 2020-07-16
• 公開（公告）號: CN111870231B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 劉立龍;陳亞昕;袁茜;陳雪寒;楊靜
• 申請（專利權）人: 武漢大學
• 主分類號: A61B5/02
• 分類號: A61B5/02;A61B5/026;A61B5/0285;A61B5/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 劉琰

1.一種內窺式腫瘤血管正常化檢測系統，其特征在于，該系統包括：

多模態光源模塊，用于照明生物組織產生白光圖像、特殊光譜圖像以及散斑圖像；

內窺探頭，用于伸入人體腔道進行照明和接收圖像信號；

圖像處理器，與內窺探頭相連，用于對內窺探頭獲取的白光圖像進行圖像處理操作，包括去馬賽克、去噪、去霧、色彩增強；

血流檢測分析模塊，與內窺探頭相連，用于對內窺探頭獲取的散斑圖像通過算法進行處理，得到血流流速圖像；

血管形態學分析模塊，與血流檢測分析模塊相連，用于提取腫瘤血管形態結構，對腫瘤血管密度和血管扭曲程度測定；

人工智能分析模塊，與血管形態學分析模塊相連，用于綜合腫瘤血流流速、血管密度、扭曲程度，判定腫瘤血管是否正常化，并給出腫瘤血管正常化窗口期預測結果；

顯示模塊，與圖像處理器、人工智能分析模塊的輸出端均相連，用于顯示圖像，并對腫瘤血管是否正常化的判定結果進行提示；

多模態光源包括：近紅外激光光源和LED光源；其中，近紅外激光光源的中心波長范圍為660nm～1380nm；LED光源的光譜組合成白光光譜，并且LED光源中至少包含400nm～430nm的UV光源；

內窺探頭包括相互連接的傳光光纖束、圖像傳感器、活檢鉗道以及噴嘴；顯示模塊包括顯示器和語音提示器；

血流檢測分析模塊的硬件構成為現場可編程門陣列FPGA、專有Asic芯片或高性能顯卡；人工智能分析模塊的硬件構成為專有Asic芯片或高性能顯卡。

2.一種內窺式腫瘤血管正常化檢測方法，采用權利要求1所述的內窺式腫瘤血管正常化檢測系統，其特征在于，該方法包括以下步驟：

步驟1、通過內窺探頭伸入人體腔道內，打開多模態光源中的激光光源，采集被照明的生物組織的腫瘤散斑圖像，從散斑圖像重建出腫瘤血流圖像；

步驟2、打開多模態光源中的綠光LED和UV光LED光源，兩者以1：1的光譜峰值比例進行混合光譜照明，并結合圖像處理技術，獲得腫瘤血管圖像；

步驟3、從腫瘤血管圖像中提取血管密度、血管直徑以及血管分支節點；

步驟4、計算血管扭曲程度，并與預設的相同直徑的正常組織血管比較，對腫瘤血管的扭曲程度進行分級；

步驟5、通過人工智能分析模塊綜合腫瘤血流速度、血管密度、扭曲程度，判定腫瘤血管是否正常化，并給出腫瘤血管正常化窗口期預測結果的語音提示；

該方法的步驟5中判定腫瘤血管是否正常化及血管正常化窗口期預測結果的方法為：

(a)使用腫瘤血管正常化檢測系統收集1000例腫瘤散斑圖像，提取血流速度、血管密度、血管直徑、血管扭曲程度的血管形態功能信息；

(b)采集動物腫瘤組織樣本，通過免疫熒光或免疫組化的方法判斷腫瘤血管是否正常化；

(c)建立血流速度、血管密度、血管直徑、血管扭曲程度與腫瘤血管是否正常化的對應關系數據庫，其中訓練數據為血流速度、血管密度、血管直徑、血管扭曲程度，訓練標簽為腫瘤血管正常化或腫瘤血管非正常化；

(d)使用該數據庫對深度神經網絡模型進行訓練，該深度神經網絡模型包括VGG16、GooleNet、ResNet深度神經網絡模型；

(e)使用訓練的結果對新的腫瘤血流圖像進行預測，并給出腫瘤血管是否正常化提示；

該方法的步驟1中獲取腫瘤血流圖像的具體方法為：

以N_s*N_s的窗口濾波器對原始散斑圖像進行處理，獲得歸一化方差圖像V_ns(x,y)，處理公式為：

其中，N_s為窗口濾波器的尺寸大小，取值為5～11，I_s(i,j)為窗口濾波器內的像素灰度值，i和j分別為窗口濾波器內的像素點的橫縱坐標，I_s為窗口濾波器內像素灰度的均值，x和y為新生成的歸一化方差圖像像素點的橫縱坐標；

計算腫瘤的二維血流圖像，公式為：

其中，v(x,y)即為血流圖像；

該方法的步驟2中檢測檢測腫瘤血管結構的具體方法為：

(a)使用12個不同方向的二維Gabor濾波器分別對血流圖像進行濾波，獲取濾波后的血流圖像B_λ,δ,θ(x,y)，處理公式為：

B_λ,δ,θ(x,y)＝∫∫f(u,v)g_λ,δ,θ(x-u,y-v)dudv

其中，f(u,v)為血流圖像，g_λ,δ,θ(x-u,y-v)為二維Gabor濾波器，參數λ為空間頻率的倒數，參數δ為Gabor濾波器的方差特性，λ的取值范圍為0.1～10，取值間隔為0.1,δ＝λ/2；參數θ為Gabor濾波器的濾波方向，通過改變參數θ實現不同方向的血管檢測，θ的取值為Nπ/12，其中，N＝0,1,…,12；

(b)提取B_λ,δ,θ(x,y)中每個像素在12個不同方向的最大響應值max(B_λ,δ,θ(x,y))，組合成一張新的圖像，即為血管結構圖像H(x,y)；

該方法的步驟3的具體方法為：

提取血管密度的具體方法為：

(a)對血管結構圖像H(x,y)進行二值化閾值操作，血管結構圖像中像素灰度值大于0的像素值重設為1，像素灰度值小于等于0的重設為0；重新獲得一副新的血管結構圖像H'(x,y)；

(b)統計H'(x,y)中像素值為1的所有像素數，并除以血管結構圖像中的總像素數，即為血管密度；

計算血管分支節點數的方法為：

(a)通過二維Gabor濾波器或高斯濾波器等常規的窗口濾波器函數提取新的血管結構圖像H'(x,y)的血管中心骨架圖像；

(b)分析血管中心骨架圖像上每一像素點與鄰域像素點的聯通關系，當某一血管中心骨架像素點與鄰域血管中心骨架像素點的聯通數大于3，則將其記為一個血管分支節點；

(c)遍歷整幅血管中心骨架圖像，獲得圖像中所有的血管分支節點，并計算出總的血管分支節點數；

該方法的步驟4中計算血管扭曲程度的具體方法為：

(a)將血管骨架圖像按照分支節點分為若干段；使用以下公式計算每一段血管骨架每個點的曲率；

其中，K(x,y)表示曲率，x,y分別表示每個點的橫縱坐標；

(b)將某一段血管骨架每個點的曲率取絕對值，再進行疊加平均，即為這段血管的扭曲程度。