[发明专利]基于卷积神经网络的无创在体干细胞示踪方法及系统

权利要求书

1.一种基于卷积神经网络的无创在体干细胞示踪方法，其特征在于，该示踪方法包括：

步骤S10，获取无创在体干细胞对应的荧光强度向量，并结合生物体表节点进行光子密度强度归一化处理，获得归一化体表节点荧光强度向量：

步骤S11，抽取所述荧光强度向量中生物体表节点对应的荧光强度，获得体表节点荧光强度向量；

步骤S12，对所述体表节点荧光强度向量进行光子密度强度归一化处理，获得归一化体表节点荧光强度向量；

步骤S20，基于所述归一化体表节点荧光强度向量，通过训练好的无创在体干细胞示踪网络，获取所述无创在体干细胞的位置向量；

步骤S30，基于所述无创在体干细胞的位置向量实现无创在体干细胞示踪；

其中，所述无创在体干细胞示踪网络为基于卷积神经网络构建的用于获取无创在体干细胞的位置向量并进行无创在体干细胞示踪的神经网络；

所述无创在体干细胞对应的荧光强度向量通过仿真软件生成，其方法为：

步骤F10，采集生物待示踪部位的CT图像，并分割成不同的组织；

步骤F20，通过Amira软件对分割后的CT图像进行离散化，赋予各组织设定的光学参数；

步骤F30，通过MOSE软件对Amira软件处理后的数据进行仿真，获取生物待示踪部位的荧光强度向量集合。

2.根据权利要求1所述的基于卷积神经网络的无创在体干细胞示踪方法，其特征在于，所述光子密度强度归一化，其方法为：

其中，Φ_i为第i个生物体表细胞对应的光子密度强度，Φ_max、Φ_min分别代表生物体表细胞对应的光子密度强度的最大值、最小值。

3.根据权利要求1所述的基于卷积神经网络的无创在体干细胞示踪方法，其特征在于，所述无创在体干细胞示踪网络基于卷积神经网络构建，其训练方法为：

步骤B10，通过权利要求1所述的基于卷积神经网络的无创在体干细胞示踪方法步骤S10方法，获取训练样本集中每一个训练样本对应的归一化体表节点荧光强度向量；获取训练样本对应的位置向量，通过反距离加权方法计算所述位置向量的置信度作为标签数据；

步骤B20，随机选取一个训练样本对应的归一化体表节点荧光强度向量，转换为体表荧光二维灰度图；

步骤B30，通过无创在体干细胞示踪网络对所述体表荧光二维灰度图进行卷积池化操作以及全连接分类操作，获取训练样本的预测位置向量；

步骤B40，通过预设的损失函数计算所述训练样本的预测位置向量与标签数据之间的损失值；

步骤B50，若所述损失值大于设定阈值，则更新所述无创在体干细胞示踪网络参数，并跳转步骤B20，直至所述损失值小于设定阈值，获得训练好的无创在体干细胞示踪网络。

4.根据权利要求3所述的基于卷积神经网络的无创在体干细胞示踪方法，其特征在于，步骤B10中“通过反距离加权方法计算所述位置向量的置信度作为标签数据”，其方法为：

其中，x_i代表第i个节点处的光子密度强度值，B表示目标位置节点的邻域节点集合，p₀代表目标位置节点，p_i代表目标位置节点的邻域节点，q为可调节的幂参数，λ为区分肿瘤区域和非肿瘤区域的权重值。

5.根据权利要求3所述的基于卷积神经网络的无创在体干细胞示踪方法，其特征在于，所述预设的损失函数为：

其中，H(p,q)代表训练样本x的预测位置向量与标签数据之间的损失值，q(x)为训练样本x的预测位置向量，p(x)为训练样本x的标签数据。