[发明专利]一种内窥式肿瘤血管正常化检测系统及检测方法

权利要求书

1.一种内窥式肿瘤血管正常化检测系统，其特征在于，该系统包括：

多模态光源模块，用于照明生物组织产生白光图像、特殊光谱图像以及散斑图像；

内窥探头，用于伸入人体腔道进行照明和接收图像信号；

图像处理器，与内窥探头相连，用于对内窥探头获取的白光图像进行图像处理操作，包括去马赛克、去噪、去雾、色彩增强；

血流检测分析模块，与内窥探头相连，用于对内窥探头获取的散斑图像通过算法进行处理，得到血流流速图像；

血管形态学分析模块，与血流检测分析模块相连，用于提取肿瘤血管形态结构，对肿瘤血管密度和血管扭曲程度测定；

人工智能分析模块，与血管形态学分析模块相连，用于综合肿瘤血流流速、血管密度、扭曲程度，判定肿瘤血管是否正常化，并给出肿瘤血管正常化窗口期预测结果；

显示模块，与图像处理器、人工智能分析模块的输出端均相连，用于显示图像，并对肿瘤血管是否正常化的判定结果进行提示；

多模态光源包括：近红外激光光源和LED光源；其中，近红外激光光源的中心波长范围为660nm～1380nm；LED光源的光谱组合成白光光谱，并且LED光源中至少包含400nm～430nm的UV光源；

内窥探头包括相互连接的传光光纤束、图像传感器、活检钳道以及喷嘴；显示模块包括显示器和语音提示器；

血流检测分析模块的硬件构成为现场可编程门阵列FPGA、专有Asic芯片或高性能显卡；人工智能分析模块的硬件构成为专有Asic芯片或高性能显卡。

2.一种内窥式肿瘤血管正常化检测方法，采用权利要求1所述的内窥式肿瘤血管正常化检测系统，其特征在于，该方法包括以下步骤：

步骤1、通过内窥探头伸入人体腔道内，打开多模态光源中的激光光源，采集被照明的生物组织的肿瘤散斑图像，从散斑图像重建出肿瘤血流图像；

步骤2、打开多模态光源中的绿光LED和UV光LED光源，两者以1：1的光谱峰值比例进行混合光谱照明，并结合图像处理技术，获得肿瘤血管图像；

步骤3、从肿瘤血管图像中提取血管密度、血管直径以及血管分支节点；

步骤4、计算血管扭曲程度，并与预设的相同直径的正常组织血管比较，对肿瘤血管的扭曲程度进行分级；

步骤5、通过人工智能分析模块综合肿瘤血流速度、血管密度、扭曲程度，判定肿瘤血管是否正常化，并给出肿瘤血管正常化窗口期预测结果的语音提示；

该方法的步骤5中判定肿瘤血管是否正常化及血管正常化窗口期预测结果的方法为：

(a)使用肿瘤血管正常化检测系统收集1000例肿瘤散斑图像，提取血流速度、血管密度、血管直径、血管扭曲程度的血管形态功能信息；

(b)采集动物肿瘤组织样本，通过免疫荧光或免疫组化的方法判断肿瘤血管是否正常化；

(c)建立血流速度、血管密度、血管直径、血管扭曲程度与肿瘤血管是否正常化的对应关系数据库，其中训练数据为血流速度、血管密度、血管直径、血管扭曲程度，训练标签为肿瘤血管正常化或肿瘤血管非正常化；

(d)使用该数据库对深度神经网络模型进行训练，该深度神经网络模型包括VGG16、GooleNet、ResNet深度神经网络模型；

(e)使用训练的结果对新的肿瘤血流图像进行预测，并给出肿瘤血管是否正常化提示；

该方法的步骤1中获取肿瘤血流图像的具体方法为：

以N_s*N_s的窗口滤波器对原始散斑图像进行处理，获得归一化方差图像V_ns(x,y)，处理公式为：

其中，N_s为窗口滤波器的尺寸大小，取值为5～11，I_s(i,j)为窗口滤波器内的像素灰度值，i和j分别为窗口滤波器内的像素点的横纵坐标，I_s为窗口滤波器内像素灰度的均值，x和y为新生成的归一化方差图像像素点的横纵坐标；

计算肿瘤的二维血流图像，公式为：

其中，v(x,y)即为血流图像；

该方法的步骤2中检测检测肿瘤血管结构的具体方法为：

(a)使用12个不同方向的二维Gabor滤波器分别对血流图像进行滤波，获取滤波后的血流图像B_λ,δ,θ(x,y)，处理公式为：

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

其中，f(u,v)为血流图像，g_λ,δ,θ(x-u,y-v)为二维Gabor滤波器，参数λ为空间频率的倒数，参数δ为Gabor滤波器的方差特性，λ的取值范围为0.1～10，取值间隔为0.1,δ＝λ/2；参数θ为Gabor滤波器的滤波方向，通过改变参数θ实现不同方向的血管检测，θ的取值为Nπ/12，其中，N＝0,1,…,12；

(b)提取B_λ,δ,θ(x,y)中每个像素在12个不同方向的最大响应值max(B_λ,δ,θ(x,y))，组合成一张新的图像，即为血管结构图像H(x,y)；

该方法的步骤3的具体方法为：

提取血管密度的具体方法为：

(a)对血管结构图像H(x,y)进行二值化阈值操作，血管结构图像中像素灰度值大于0的像素值重设为1，像素灰度值小于等于0的重设为0；重新获得一副新的血管结构图像H'(x,y)；

(b)统计H'(x,y)中像素值为1的所有像素数，并除以血管结构图像中的总像素数，即为血管密度；

计算血管分支节点数的方法为：

(a)通过二维Gabor滤波器或高斯滤波器等常规的窗口滤波器函数提取新的血管结构图像H'(x,y)的血管中心骨架图像；

(b)分析血管中心骨架图像上每一像素点与邻域像素点的联通关系，当某一血管中心骨架像素点与邻域血管中心骨架像素点的联通数大于3，则将其记为一个血管分支节点；

(c)遍历整幅血管中心骨架图像，获得图像中所有的血管分支节点，并计算出总的血管分支节点数；

该方法的步骤4中计算血管扭曲程度的具体方法为：

(a)将血管骨架图像按照分支节点分为若干段；使用以下公式计算每一段血管骨架每个点的曲率；

其中，K(x,y)表示曲率，x,y分别表示每个点的横纵坐标；

(b)将某一段血管骨架每个点的曲率取绝对值，再进行叠加平均，即为这段血管的扭曲程度。