[发明专利]基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备

说明书

本发明属于图像分析领域，具体涉及了一种基于深度学习的脑胶质瘤荧光图像分析方法、系统和设备，旨在解决现有的图像分析方法难以快速识别出手术中的肿瘤组织，难以辅助医生完成精准切除的问题。本发明包括：获取标本荧光图像作为待测图像，通过训练好的基于深度学习的脑胶质瘤荧光图像识别网络获得待测图像类别，将类别为肿瘤组织的待测图像通过肿瘤分级网络获得待测图像的肿瘤等级，通过Ki‑67表达水平识别网络获得待测图像的Ki‑67表达水平；其中脑胶质瘤图像识别网络基于EfficientNet卷积神经网络构建并通过二分类交叉熵损失函数训练。本发明实现了在手术中实时识别脑胶质瘤标本，辅助医生完成精准切除，同时提供分级和基因信息，帮助医生判断病人预后。

背景技术

脑胶质瘤占成人原发性恶性脑肿瘤的75％。这些脑肿瘤患者中超过一半是最致命的胶质母细胞瘤，平均总生存期只有14.6个月。虽然对于脑胶质瘤患者已经存在多种先进治疗方法，但神经外科手术仍然是主要的治疗方式，在提高生存率方面发挥着重要作用。

目前，可见光下的显微手术是神经外科临床最常用的手术方法。但由于神经外科医生很难清楚地识别胶质瘤的边界，所以很容易导致肿瘤残留和早期复发的问题。因此，在手术中对组织标本进行快速、准确的诊断至关重要。术中应用苏木精-伊红(HE)染色法对冰冻组织切片进行病理检查是一种常规而可靠的诊断方法，但它通常需要耗费很长时间(至少20-30分钟)，并且通过复杂的步骤才能获得病理结果。此外，基于这种方法在手术中冷冻数十个或数百个标本是不现实的，这在一定程度上限制了它在肿瘤术中实时诊断尤其是多个组织标本中的应用。

荧光成像的发展使实时成像引导手术成为可能，这大大提高了高级别胶质瘤的完全切除率。吲哚青绿是一种安全、经济的近红外荧光显像剂，已在临床上用于脑胶质瘤手术，并表现出较高的灵敏度和一定的特异性。

在过去的几年里，人工智能技术如深度卷积神经网络已经被发展用于进行医学图像的分类，并且表现出良好的效果。通过与常规的影像学技术如磁共振成像等相结合，深度神经网络也被用于胶质瘤的治疗和诊断，例如提供分级和基因信息，自动化术后病理诊断，或帮助确定预后和指导治疗。然而，这些技术与方法主要集中在术前和术后影像，很少有应用到术中，在手术时进行胶质瘤的快速诊断。

发明内容

为了解决现有技术中的上述问题，即现有的技术无法快速准确地识别出肿瘤的组织，难以实际运用到术中，本发明提供了一种基于深度学习的脑胶质瘤荧光图像分析方法。本发明基于的图像为可在术中实时、高通量采集的脑胶质瘤标本荧光图像，同时由于术中采集的荧光图像本身具有分辨率小、噪声高的特点，本发明提出了使用适用于荧光图像的数据预处理方法来扩增训练样本，并使用了余弦退火策略来进行网络训练。为了满足术中实时处理的需求，使用了基于EfficientNet的高效神经网络架构，在保证识别准确率的同时，尽可能地提高图像处理速度。本发明的具体步骤包括：

步骤S100，获取标本荧光图像，作为待测图像；

步骤S200，基于所述待测图像，通过训练好的基于深度学习的脑胶质瘤荧光图像识别网络，获得待测图像类别；其中，待测图像类别包括正常组织和肿瘤组织；

步骤S300，基于类别为肿瘤组织的待测图像，通过训练好的基于深度学习的肿瘤分级网络获得待测图像的肿瘤等级；通过训练好的基于深度学习的Ki-67表达水平识别网络获得待测图像的Ki-67表达水平。

进一步地，所述基于深度学习的脑胶质瘤荧光图像识别网络、基于深度学习的肿瘤分级网络和基于深度学习的Ki-67表达水平识别网络，基于EfficientNet卷积神经网络构建；所述EfficientNet卷积神经网络包括顺次连接的输入层、特征提取层和预测层；其中，特征提取层包括顺次连接的1个Stem模块和n个结构相同特征数不同的MBConv模块；所述Stem模块为1个卷积核为3×3的卷积层；所述MBConv模块为逆瓶颈结构，包括顺次连接的卷积核为1×1的卷积层、包含注意力模块的卷积核为3×3的通道可分卷积和1个卷积核为1×1的卷积，其中3x3卷积的特征数大于1x1卷积的特征数。