[發明專利]一種基于光學圖像的癌癥患者標本性質的辨別方法及應用在審
| 申請號: | 202310037801.4 | 申請日: | 2023-01-10 |
| 公開(公告)號: | CN115984231A | 公開(公告)日: | 2023-04-18 |
| 發明(設計)人: | 張國君;楊晨暉;白靜雯;余世龍;范雪琪;黃文河;牛蕾;彭文鐸 | 申請(專利權)人: | 廈門大學附屬翔安醫院;廈門術利康醫學科技有限公司 |
| 主分類號: | G06T7/00 | 分類號: | G06T7/00;G06T5/50;G06T3/40;G06T7/11;G06V10/774;G06V10/764;G06V10/44;G06V10/82;G06N3/048;G06N3/08;G06N3/0464 |
| 代理公司: | 廈門致群財富專利代理事務所(普通合伙) 35224 | 代理人: | 巫其榮 |
| 地址: | 361000 福建省廈門市*** | 國省代碼: | 福建;35 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 光學 圖像 癌癥 患者 標本 性質 辨別 方法 應用 | ||
本發明公開了一種基于光學圖像的癌癥患者標本性質的辨別方法,包括以下步驟:S1、獲取訓練組患者標本的光學圖像,并進行預處理,建立訓練組患者的淋巴結轉移狀態識別的正負樣本數據集;S2、選擇基礎網絡架構,通過池化層下采樣和跨層拼接融合,構造預測模型;S3、通過基礎網絡架構構造良惡性分類網絡結構加載訓練數據集,進行3?折交叉訓練,得到lymph?Net深度學習網絡模型;S4、獲取測試組患者的正負樣本數據集,通過所述lymph?Net深度學習網絡模型在測試組患者的正負樣本數據集上識別標本性質;S5、通過GCAM熱力圖分析S4的預測結果,觀察所述lymph?Net深度學習網絡模型不同尺度卷積層提取特征的關注區域以及融合模型的預測結果依據,分析預測結果正確和錯誤的原因。
技術領域
本發明涉及視頻圖像處理技術領域,具體涉及一種基于光學圖像的癌癥患者標本性質的辨別方法及應用。
背景技術
癌癥作為全球高發疾病,嚴重影響患者的身心健康。在多種癌癥中均存在外科醫生在術中難以分辨腫瘤的邊界,導致手術切緣仍有手術殘留,進而導致早期復發的問題。因此,在手術過程中對標本進行快速、準確的診斷至關重要。癌灶的遺傳信息可以用于確定預后并且指導治療。此外,淋巴轉移是癌癥惡性演進的重要途徑。淋巴結轉移的識別對于實體瘤的分期至關重要,是重要的預后影響因素。完整的淋巴結清掃術,在諸多癌癥中被證明對患者的準確分期是重要的。
然而,在早期胃癌和早期乳腺癌等癌癥中患者的淋巴結轉移率較低。因此造成許多淋巴結轉移的患者接受了不必要的淋巴結清掃術。前哨淋巴結(SLN)是癌癥患者發生淋巴結轉移所必經的第一站或者第一組淋巴結,即SLN沒有發生轉移,理論上其他區域淋巴結是沒有腫瘤轉移的。乳暈或腫瘤周圍注射SLN示蹤劑,在腋窩部位經特殊設備探測或者可視化示蹤劑的分布情況,可以識別SLN。近年來近紅外熒光成像逐漸被引入手術中成為外科醫生的輔助工具。目前ICG熒光成像已經用于乳腺癌、卵巢癌、消化道腫瘤、膠質瘤等多種癌種。雖然ICG熒光成像技術更直觀、靈敏,且具有較高的識別率,但尚不能在肉眼水平鑒別其是否發生轉移。因此,有必要探索光學圖像(包括但不限于ICG熒光圖像)與標本性質之間的關系。
目前的術前影像學方法(包括超聲、X射線、CT、PET-CT、MRI等),在術前鑒別患者腫物的良惡性、癌灶的基因組信息、區域淋巴結轉移狀況以及腫瘤邊界或預測手術切緣的性質等方面表現不理想。術中對于患者手術標本(腫物/結節)、手術切緣、區域淋巴結性質的辨別依賴于術中冰凍病理結果,冰凍切片技術復雜,且耗時長(需40分鐘-1小時),存在較高的假陰性率,在手術過程中冷凍10個或數百個樣本是不切實際的,這限制了腫瘤術中實時診斷的發展,特別是對于多個組織樣本。另外在手術期間對腫瘤組織的分級和基因組水平信息的獲取是不可能的。術后獲取病理結果是患者手術標本(腫物/結節)、腫瘤邊界或手術切緣、區域淋巴結性質以及基因組信息鑒定的金標準,但這種技術是耗時的,受到觀察者間高度變異性的影響,并且檢查大量的標本(腫物/結節/淋巴結)會導致勞動力、空間以及設備和用品的使用超負荷,增加醫療保健的成本。
發明內容
本發明提出一種基于光學圖像的癌癥患者標本性質的辨別方法及應用用于解決上述問題。
為實現上述目的,本發明采用以下技術方案:
一種基于光學圖像的癌癥患者標本性質的辨別方法,包括以下步驟:
S1、獲取訓練組患者標本的光學圖像,并進行預處理,建立訓練組患者的淋巴結轉移狀態識別的正負樣本數據集;
S2、選擇基礎網絡架構,通過池化層下采樣和跨層拼接融合,構造預測模型;
S3、通過基礎網絡架構構造良惡性分類網絡結構,下載預訓練模型權重,設置初始參數,加載訓練數據集,進行3-折交叉訓練,得到lymph-Net深度學習網絡模型;
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于廈門大學附屬翔安醫院;廈門術利康醫學科技有限公司,未經廈門大學附屬翔安醫院;廈門術利康醫學科技有限公司許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202310037801.4/2.html,轉載請聲明來源鉆瓜專利網。
- 彩色圖像和單色圖像的圖像處理
- 圖像編碼/圖像解碼方法以及圖像編碼/圖像解碼裝置
- 圖像處理裝置、圖像形成裝置、圖像讀取裝置、圖像處理方法
- 圖像解密方法、圖像加密方法、圖像解密裝置、圖像加密裝置、圖像解密程序以及圖像加密程序
- 圖像解密方法、圖像加密方法、圖像解密裝置、圖像加密裝置、圖像解密程序以及圖像加密程序
- 圖像編碼方法、圖像解碼方法、圖像編碼裝置、圖像解碼裝置、圖像編碼程序以及圖像解碼程序
- 圖像編碼方法、圖像解碼方法、圖像編碼裝置、圖像解碼裝置、圖像編碼程序、以及圖像解碼程序
- 圖像形成設備、圖像形成系統和圖像形成方法
- 圖像編碼裝置、圖像編碼方法、圖像編碼程序、圖像解碼裝置、圖像解碼方法及圖像解碼程序
- 圖像編碼裝置、圖像編碼方法、圖像編碼程序、圖像解碼裝置、圖像解碼方法及圖像解碼程序





