CN111973154A - 一种用于脑肿瘤的多点精准取材系统、方法和装置 - Google Patents

Abstract

本发明涉及一种用于脑肿瘤的多点精准取材系统、方法和装置。勾画肿瘤边界，获取肿瘤边界范围内的MRI数据；提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；通过三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，利用激光定位取材装置进行逐层切片。实现肿瘤病灶的精确定位并进行取材。

Description

一种用于脑肿瘤的多点精准取材系统、方法和装置

技术领域

本发明属于生物工程技术领域，具体涉及一种用于脑肿瘤的多点精准取材系统方法和装置。

背景技术

公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。

恶性肿瘤作为严重威胁居民生命健康的重大疾病，其发病率逐年升高，但总体而言各种恶性肿瘤的平均中位生存期已从本世纪初的1年延长至10年。这主要得益于抗肿瘤精准诊疗技术和早期筛查诊断技术的不断发展，尤其是基于恶性肿瘤特异性分子标志物及其特异性靶点的精准靶向治疗、细胞治疗和免疫治疗策略的长足进步。脑的常见肿瘤有胶质瘤、脑膜瘤、垂体瘤等。其中胶质瘤是脑部最常见的恶性肿瘤，其特点为手术治疗后复发率高，无特效药物，患者中位生存期较短。

针对肿瘤的检测方式，当今的主流策略仍完全依赖术中肿瘤组织标本的检测。随着分子检测和单细胞检测的发展，传统的肿瘤组织活检与新技术的结合为临床诊断和治疗带来的新的机遇。脑胶质瘤的特质之一是肿瘤内部的异质性，发明人发现，传统的组织活检的取材方式无法准确代表肿瘤的内部特征。因此以传统活检方法取材的后进行的分子诊断和单细胞检测可能与肿瘤的实际状态有较大差异。临床检测和实验室研究需要一种能够对肿瘤组织内不同特征区域进行精确定位并进行取材的方法和设备。然而并没有此类指导活检取材的设备和方法。

发明内容

针对上述现有技术中存在的问题，本发明的目的是提供一种用于脑肿瘤的多点精准取材系统、方法和装置。

为了解决以上技术问题，本发明的技术方案为：

第一方面，一种用于脑肿瘤的多点精准取材方法，具体步骤为：

勾画肿瘤边界，获取肿瘤边界范围内的MRI数据；

提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；

将各个影像组学特征进行三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；

利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；

将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，将肿瘤病灶利用激光定位取材装置进行逐层切片。

在本发明的一些实施方式中，通过利用Python程序包pyradiomics进MRI影像组学数据的转化。

在本发明的一些实施方式中，将各个影像组学特征进行三维重建的方法为使用开源软件3D Slicer将单层的MRI数据重建为三维结构。

在本发明的一些实施方式中，实现肿瘤亚区的分类的方法为利用基于欧式距离最短距离实现肿瘤亚区分类法对肿瘤病灶进行亚区的分类，基于欧式距离最短距离实现肿瘤亚区分类法为：

(1)基于图像灰度算法，将训练集中的肿瘤影像转化为灰度图；

(2)基于灰度图信息，创建训练集矩阵，包含灰度图相关信息和各亚区肿瘤特征信息；

(3)提取矩阵中各亚区肿瘤的特征信息，由每一个亚区的特征值信息，构建该亚区的对比值，以此可以获得各亚区肿瘤的平均信息；

(4)利用最小二乘算法寻找不同亚区基础下的最小残差，最小残差对应的分区即为判别亚区分类；

(5)基于上述训练集步骤及信息，对于亚区分类未知的肿瘤，比较其影响灰度化后的信息与各亚区肿瘤的平均信息，获得最终亚区分类；

(6)采用SVD(奇异值分解)，处理高维、大样本信息，提高判别率。

在本发明的一些实施方式中，所述步骤(4)中的最小二乘算法，是通过最小化误差的平方和寻找与数据最匹配的模型。

在本发明的一些实施方式中，所述步骤(6)中的SVD(奇异值分解)，是在样本集合数据量较大，纬度较高，变量个数较多时，通过奇异值分解选择关键信息，仅利用部分较大奇异值对应的U矩阵中的奇异向量进行拟合。

在本发明的一些实施方式中，制定导航计划的方法为利用brain lab软件分析CT数据和MRI数据从而指定导航计划。

在本发明的一些实施方式中，在切除肿瘤病灶前，利用强化核磁共振影像确定血管位置，在切除肿瘤病灶的过程中，利用荧光造影剂在莱卡OH X显微镜下标注标志性皮层血管。

在本发明的一些实施方式中，利用激光定位取材装置进行逐层切片之前将肿瘤病灶进行冷却固化，冷却固化后，利用大脑皮层3D地形图和地标血管进行坐标修正，修正后的坐标输入到激光定位取材装置。

第二方面，一种用于脑肿瘤的多点精准取材系统，包括：

用于获取肿瘤边界范围内的MRI数据；

用于提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；

用于将各个影像组学特征进行三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；

用于利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

用于将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；

用于将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，将肿瘤病灶利用激光定位取材装置进行逐层切片。

在本发明的一些实施方式中，通过利用Python程序包pyradiomics进MRI影像组学数据的转化。

在本发明的一些实施方式中，将各个影像组学特征进行三维重建的方法为使用开源软件3D Slicer将单层的MRI数据重建为三维结构。

在本发明的一些实施方式中，实现肿瘤亚区的分类的方法为利用基于欧式距离最短距离实现肿瘤亚区分类法对肿瘤病灶进行亚区的分类，基于欧式距离最短距离实现肿瘤亚区分类法为：

(1)基于图像灰度算法，将训练集中的肿瘤影像转化为灰度图；

(2)基于灰度图信息，创建训练集矩阵，包含灰度图相关信息和各亚区肿瘤特征信息；

(3)提取矩阵中各亚区肿瘤的特征信息，由每一个亚区的特征值信息，构建该亚区的对比值，以此可以获得各亚区肿瘤的平均信息；

(4)利用最小二乘算法寻找不同亚区基础下的最小残差，最小残差对应的分区即为判别亚区分类；

(5)基于上述训练集步骤及信息，对于亚区分类未知的肿瘤，比较其影响灰度化后的信息与各亚区肿瘤的平均信息，获得最终亚区分类；

(6)采用SVD(奇异值分解)，处理高维、大样本信息，提高判别率。

在本发明的一些实施方式中，所述步骤(4)中的最小二乘算法，是通过最小化误差的平方和寻找与数据最匹配的模型。

在本发明的一些实施方式中，所述步骤(6)中的SVD(奇异值分解)，是在样本集合数据量较大，纬度较高，变量个数较多时，通过奇异值分解选择关键信息，仅利用部分较大奇异值对应的U矩阵中的奇异向量进行拟合。

在本发明的一些实施方式中，制定导航计划的方法为利用brain lab软件分析CT数据和MRI数据从而指定导航计划。

在本发明的一些实施方式中，在切除肿瘤病灶前，利用强化核磁共振影像确定血管位置，在切除肿瘤病灶的过程中，利用荧光造影剂在莱卡OH X显微镜下标注标志性皮层血管。通过标注血管的得到地标血管的位置。

在本发明的一些实施方式中，利用激光定位取材装置进行逐层切片之前将肿瘤病灶进行冷却固化，冷却固化后，利用大脑皮层3D地形图和地标血管进行坐标修正，修正后的坐标输入到激光定位取材装置。

第三方面，一种激光定位取材装置，包括支架、滑动装置、十字激光定位器、标本盒、切割器，滑动装置与标本盒相对设置，滑动装置包括竖直滑道，切割器与竖直滑道滑动连接，切割器与标本盒相对，滑动装置的顶部设置连接杆，连接杆的一端设置十字激光定位器，十字激光定位器位于标本盒的上方。

在本发明的一些实施方式中，还包括制冷台，制冷台设置在固定边的顶部，标本盒设置在制冷台的顶部。

在本发明的一些实施方式中，支架为方形框的结构，其中包括固定边、滑道边和移动边，滑道边为一组对边，两个滑道边的一端分别与固定边固定连接，移动边的两端与两个滑道边滑动连接，滑动装置竖直设置在移动边上，与移动边滑动连接。

在本发明的一些实施方式中，移动边的两端和滑动装置分别设置步进电机，步进电机与驱动板连接，驱动板与控制器连接。

在本发明的一些实施方式中，切割器包括两个固定杆和刀片，两个固定杆的一端分别与滑动装置滑动连接，刀片位于两个固定杆之间，刀片的两端分别与两个固定杆固定连接，两个固定杆之间的距离大于标本盒的宽度。

本发明一个或多个技术方案具有以下有益效果：

利用MRI数据建立了关于肿瘤病灶的特征信息，将特征信息转换为大脑皮层3D地形图，并且实现了肿瘤亚区的分类，达到了准确确定肿瘤病灶位置并能够准确确定肿瘤病灶分区的坐标；切除肿瘤病灶后，对肿瘤病灶进行逐层切片，得到每个代表性区域的组织样本，用于后续单细胞测序、空间转录组测序或类器官培养等操作。

激光定位取材装置通过控制器、驱动板驱动步进电机，实现对取材样本的精确定位；使用半导体制冷板，及生物相容性好的明胶材料在取材期间保证标本的活性；利用配套软件的术前影像学三位重建模块完成对肿瘤内区域和取材位置的划分；利用术中导航分析软件模块结合术中导航系统帮助术者完成肿瘤的切除和标志结构标注；利用多点取材计划及编程输出软件将计算出的坐标转换为控制器使用的程序，指导取材装置对标本进行逐层切片和取材激光定位。

附图说明

构成本发明的一部分的说明书附图用来提供对本申请的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为用于脑肿瘤的多点精准取材方法的流程图；

图2为激光定位取材装置的结构图；

图3为激光定位取材装置的切割器结构俯视图；

图4为激光定位取材装置的支架结构俯视图；

图5为激光定位取材装置的竖直滑道部分的侧视图；

其中，a、坐标的提取，b、切除肿瘤病灶，c、切片，1、步进电机，2、竖直滑道、3、十字激光定位器，4、刀片，5、标本盒，6、半导体制冷板，7、驱动板，8、控制器，9、固定边，10、滑道边，11、移动边，12、固定台。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。下面结合实施例对本发明进一步说明

实施例1

如图1所示，用于脑肿瘤的多点精准取材方法具体步骤为：

a、影像学表现为颅脑胶质瘤的患者，提取患者术前MRI相关数据，利用3D-slicer中的ITK、MTK算法架构核心组件，进行病灶勾画，并利用Python程序包pyradiomics进行影像组学一阶和二阶特征提取，并将各像素单元的影像组学特征进行三维重建和空间聚类，从而实现基于影像组学的术前肿瘤内部异质性区域划分，拟通过有监督的聚类分析将肿瘤分为3-5个不同区域，并进行每个区域代表性取材点的坐标提取。

b、将患者术前三维重建CT与普通MRI进行融合，制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至高分辨MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间(同类区域的最大边界)。同时将肿瘤的位置信息导入术中AR设备中，在切除时辅助主刀医师按照既定边界完整切除肿瘤病灶。同时利用术前高分辨MRI重建的肿瘤对应位置的大脑皮层3D地形图，并重点标注标志性皮层血管，利用AR系统在术中进行识别和坐标修正。

c、研究者将切除的带有标志性皮层的新鲜肿瘤组织，放置在自主研发的术中立体定向多点取材平台的凝胶固定池中进行包埋，冷却固化后在AR系统和神经导航辅助下利用皮层3D地形图和地标血管进行坐标修正，并将修正后坐标输入取材平台控制系统，然后进行标本的逐层切片和取材点激光定位，从而获取每个代表性区域的新鲜组织样本(6.5mm×6.5mm×5mm)，用于后续单细胞测序、空间转录组测序或类器官培养等操作。

步骤a中，聚类分析将肿瘤进行分区为利用基于欧式距离最短距离实现肿瘤亚区分类法，具体步骤为：

(1)基于图像灰度算法，将训练集中的肿瘤影像转化为灰度图；

(2)基于灰度图信息，创建训练集矩阵，包含灰度图相关信息和各亚区肿瘤特征信息；

(3)提取矩阵中各亚区肿瘤的特征信息，由每一个亚区的特征值信息，构建该亚区的对比值，以此可以获得各亚区肿瘤的平均信息；

(4)利用最小二乘算法寻找不同亚区基础下的最小残差，最小残差对应的分区即为判别亚区分类；

(5)基于上述训练集步骤及信息，对于亚区分类未知的肿瘤，比较其影响灰度化后的信息与各亚区肿瘤的平均信息，获得最终亚区分类；

(6)采用SVD(奇异值分解)，处理高维、大样本信息，提高判别率。

上述方法中，将复杂的医学影像数据转化为了数据形式的灰度信息，所述步骤(1)中的图像灰度算法，读取影像图片中每一个像素的red，green，blue值，利用灰度值代替原是的RGB值。

上述方法中，其特征在于，所述步骤(4)中的最小二乘算法，是通过最小化误差的平方和寻找与数据最匹配的模型，在肿瘤亚区分类中，以训练集中的真实亚区分类为对照，当基于该肿瘤信息的算法亚区分类结果是与之相同的，则说明该模型实现了较好的拟合。因此对每一个测试对象，分别以所有亚区分类训练集进行拟合，根据最小残差平方和将其进行分类。

上述方法中，其特征在于，所述步骤(6)中的SVD(奇异值分解)，是在样本集合数据量较大，纬度较高，变量个数较多时，通过奇异值分解选择关键信息，仅利用部分较大奇异值对应的U矩阵中的奇异向量进行拟合，一般来说当选择10～20个较大奇异值对性的奇异向量进行拟合判定时，可以得到很高的准确率。

实施例2

用于脑肿瘤的多点精准取材系统，包括：

用于获取肿瘤边界范围内的MRI数据；

用于提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；

用于将各个影像组学特征进行三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；

用于利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

用于将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；

用于将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，将肿瘤病灶利用激光定位取材装置进行逐层切片。

提取MRI数据，将MRI数据输入Python程序包pyradiomics中，得到如图2中所示的一阶特征、二阶特征、形状特征、纹理特征。

通过影响数据包括CT数据和MRI数据，利用brain lab软件分析CT数据和MRI数据从而指定导航计划，标定肿瘤切除范围，获取肿瘤边界和肿瘤实体的基准坐标，映射到MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

在切除肿瘤病灶前，利用强化核磁共振影像确定血管位置，在切除肿瘤病灶的过程中，利用荧光造影剂在莱卡OH X显微镜下标注标志性皮层血管。通过标注血管的得到地标血管的位置。

将肿瘤的位置信息导入术中AR设备中，进行切除肿瘤病灶，通过得到的病灶标注标志性皮层血管，对坐标进行修正；

取材人员将得到的病灶放到激光定位取材装置中，将坐标信息导入激光定位取材装置，操作激光定位取材装置进行组织的切片，得到组织样本。

实施例3

如图2所示，一种激光定位取材装置，包括支架、滑动装置、十字激光定位器3、标本盒5、切割器，滑动装置与标本盒5相对设置，滑动装置包括竖直滑道2，切割器与竖直滑道2滑动连接，切割器与标本盒5相对，滑动装置的顶部设置连接杆，连接杆的一端设置十字激光定位器3，十字激光定位器3位于标本盒5的上方。

还包括制冷台6，标本盒5设置在制冷台6的顶部。

如图4所示，支架为方形框的结构，其中包括固定边9、滑道边10和移动边11，滑道边10为一组对边，两个滑道边10的一端分别与固定边9固定连接，移动边11的两端与两个滑道边10滑动连接，滑动装置竖直设置在移动边上，与移动边滑动连接。

移动边11的两端和滑动装置分别设置步进电机1，步进电机1与驱动板7连接，驱动板7与控制器8连接。位于滑动装置上的步进电机1控制切割器的上下移动。

一共设置了三个步进电机，分别如图2所示，三个步进电机分别位于三个滑道的一端，竖直滑道2的顶部设置一个步进电机，移动边11上设置步进电机，移动边的顶部设置滑道，可以使竖直滑道在移动边上滑动。滑道边10的一端设置电机11，滑道边10的顶部设置滑道。可以使移动边在滑道边10上进行滑动。

如图3所示，切割器包括两个固定杆和刀片4，两个固定杆的一端分别与滑动装置滑动连接，刀片4位于两个固定杆之间，刀片4的两端分别与两个固定杆固定连接，两个固定杆之间的距离大于标本盒的宽度。固定杆的一端沿着滑动装置滑动连接。

在一种实施方式中，竖直滑道上设置可以上下移动的固定板，固定杆的一端与固定板固定连接，固定板可以沿着竖直滑道进行滑动。竖直滑道2的顶部设置的步进电机可以使固定板沿着竖直滑道进行滑动，调整Z方向的位置。

如图5所示，十字激光定位3器发出十字激光，用于标定X和Y方向，用于确定取材位点的X和Y坐标。切割器与标本盒相对，切割器水平切割标本，切割器可以沿着滑动装置上下滑动，切割器沿着Z轴方向进行切割，用于将取材后的层面进行切除。

十字激光定位3在竖直滑道的带动下，沿着滑道边10的方向移动，还可以沿着移动边11的方向移动，实现了X和Y方向的调整。

固定台12用于承载整个支架，固定台12的顶部可以设置半导体制冷板6，半导体制冷板6用于放置标本盒和冷却固化标本的作用。能够在取材期间将标本的温度维持在-4℃-50℃。标本盒5的内部可以放置固定液，固定液可以为明胶，明胶具有凝固点适宜且生物相容性好不宜破坏肿瘤组织生物活性的特点。

支架为方形框的结构，主要目的是实现了滑动装置的前后方向移动(远离或靠近标本盒的方向)，这样可以使切割器接触到标本。滑动装置和移动边之间的滑动连接，可以实现滑动装置沿着移动边移动(垂直与前后方向的移动)，这样可以实现切割的位置的调整。

坐标信息导入到控制器8中，控制器8发出脉冲信号经过驱动板7驱动步进电机1时，可实现导轨在一定范围内精确地移动，带动固定在导轨上的十字激光定位器3和切割刀片4，完成取材位置的定位和样品的切割。

十字激光定位器3和切割刀片4协同合作，进行了X、Y、Z方向的共同调整，实现对样品的定位取材和标注。

步进电机1是将电脉冲信号转变为角位移或线位移的开环控制电机，在非超载的情况下，电机的转速、停止的位置只取决于脉冲信号的频率和脉冲数，而不受负载变化的影响，可以通过控制脉冲频率来控制电机转动的速度和加速度，从而达到调速的目的。例如以30ω的角速度运动5s等。

步进电机的型号可以为57HB76L4-30DB。

步进电机可以实现在20min内完成取样点定位和分割。步进电机可以实现移动速度控制在1-10mm/s范围内，移动幅度控制在0.1mm-100mm范围内。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于脑肿瘤的多点精准取材方法，其特征在于：具体步骤为：

勾画肿瘤边界，获取肿瘤边界范围内的MRI数据；

提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；

将各个影像组学特征进行三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；

利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；

将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，将肿瘤病灶利用激光定位取材装置进行逐层切片。

2.如权利要求1所述的用于脑肿瘤的多点精准取材方法，其特征在于：通过利用Python程序包pyradiomics进MRI影像组学数据的转化；

或，将各个影像组学特征进行三维重建的方法为使用开源软件3D Slicer将单层的MRI数据重建为三维结构。

3.如权利要求1所述的用于脑肿瘤的多点精准取材方法，其特征在于：实现肿瘤亚区的分类的方法为利用基于欧式距离最短距离实现肿瘤亚区分类法对肿瘤病灶进行亚区的分类，基于欧式距离最短距离实现肿瘤亚区分类法为：

(1)基于图像灰度算法，将训练集中的肿瘤影像转化为灰度图；

(2)基于灰度图信息，创建训练集矩阵，包含灰度图相关信息和各亚区肿瘤特征信息；

(3)提取矩阵中各亚区肿瘤的特征信息，由每一个亚区的特征值信息，构建该亚区的对比值，以此可以获得各亚区肿瘤的平均信息；

(4)利用最小二乘算法寻找不同亚区基础下的最小残差，最小残差对应的分区即为判别亚区分类；

(5)基于上述训练集步骤及信息，对于亚区分类未知的肿瘤，比较其影响灰度化后的信息与各亚区肿瘤的平均信息，获得最终亚区分类；

(6)采用SVD(奇异值分解)，处理高维、大样本信息，提高判别率。

4.如权利要求3所述的用于脑肿瘤的多点精准取材方法，其特征在于：所述步骤(4)中的最小二乘算法，是通过最小化误差的平方和寻找与数据最匹配的模型。

5.如权利要求3所述的用于脑肿瘤的多点精准取材方法，其特征在于：所述步骤(6)中的SVD(奇异值分解)，是在样本集合数据量较大，纬度较高，变量个数较多时，通过奇异值分解选择关键信息，仅利用部分较大奇异值对应的U矩阵中的奇异向量进行拟合。

6.如权利要求1所述的用于脑肿瘤的多点精准取材方法，其特征在于：制定导航计划的方法为利用brain lab软件分析CT数据和MRI数据从而指定导航计划；

或，在切除肿瘤病灶前，利用强化核磁共振影像确定血管位置，在切除肿瘤病灶的过程中，利用荧光造影剂在莱卡OH X显微镜下标注标志性皮层血管；

或，利用激光定位取材装置进行逐层切片之前将肿瘤病灶进行冷却固化，冷却固化后，利用大脑皮层3D地形图和地标血管进行坐标修正，修正后的坐标输入到激光定位取材装置。

7.一种用于脑肿瘤的多点精准取材系统，其特征在于：包括：

用于获取肿瘤边界范围内的MRI数据；

用于提取MRI数据，将MRI数据转化为一阶特征、二阶特征、形状特征、纹理特征；

用于将各个影像组学特征进行三维重建和空间聚类，得到大脑皮层3D地形图，实现肿瘤亚区的分类；

用于利用CT数据和MRI数据制定导航计划，标定肿瘤切除的范围，并获取肿瘤边界和肿瘤实体的基准坐标，映射至MRI构建的影像组学分区中，获取各分区的中心位置坐标和容错边界坐标区间；

用于将肿瘤边界和肿瘤实体的基准坐标导入AR设备中，切除肿瘤病灶；

用于将大脑皮层3D地形图和亚区分类导入激光定位取材装置中，将肿瘤病灶利用激光定位取材装置进行逐层切片；

优选的，通过利用Python程序包pyradiomics进MRI影像组学数据的转化；

优选的，将各个影像组学特征进行三维重建的方法为使用开源软件3D Slicer将单层的MRI数据重建为三维结构；

优选的，实现肿瘤亚区的分类的方法为利用基于欧式距离最短距离实现肿瘤亚区分类法对肿瘤病灶进行亚区的分类，基于欧式距离最短距离实现肿瘤亚区分类法为：

(1)基于图像灰度算法，将训练集中的肿瘤影像转化为灰度图；

(2)基于灰度图信息，创建训练集矩阵，包含灰度图相关信息和各亚区肿瘤特征信息；

(3)提取矩阵中各亚区肿瘤的特征信息，由每一个亚区的特征值信息，构建该亚区的对比值，以此可以获得各亚区肿瘤的平均信息；

(4)利用最小二乘算法寻找不同亚区基础下的最小残差，最小残差对应的分区即为判别亚区分类；

(5)基于上述训练集步骤及信息，对于亚区分类未知的肿瘤，比较其影响灰度化后的信息与各亚区肿瘤的平均信息，获得最终亚区分类；

(6)采用SVD(奇异值分解)，处理高维、大样本信息，提高判别率。

进一步优选的，所述步骤(4)中的最小二乘算法，是通过最小化误差的平方和寻找与数据最匹配的模型；

进一步优选的，所述步骤(6)中的SVD(奇异值分解)，是在样本集合数据量较大，纬度较高，变量个数较多时，通过奇异值分解选择关键信息，仅利用部分较大奇异值对应的U矩阵中的奇异向量进行拟合。

8.如权利要求7所述的用于脑肿瘤的多点精准取材系统，其特征在于：制定导航计划的方法为利用brain lab软件分析CT数据和MRI数据从而指定导航计划；

或，在切除肿瘤病灶前，利用强化核磁共振影像确定血管位置，在切除肿瘤病灶的过程中，利用荧光造影剂在莱卡OH X显微镜下标注标志性皮层血管；

或，利用激光定位取材装置进行逐层切片之前将肿瘤病灶进行冷却固化，冷却固化后，利用大脑皮层3D地形图和地标血管进行坐标修正，修正后的坐标输入到激光定位取材装置。

9.一种激光定位取材装置，其特征在于：包括支架、滑动装置、十字激光定位器、标本盒、切割器，滑动装置与标本盒相对设置，滑动装置包括竖直滑道，切割器与竖直滑道滑动连接，切割器与标本盒相对，滑动装置的顶部设置连接杆，连接杆的一端设置十字激光定位器，十字激光定位器位于标本盒的上方；

优选的，还包括制冷台，制冷台设置在固定边的顶部，标本盒设置在制冷台的顶部；

优选的，支架为方形框的结构，其中包括固定边、滑道边和移动边，滑道边为一组对边，两个滑道边的一端分别与固定边固定连接，移动边的两端与两个滑道边滑动连接，滑动装置竖直设置在移动边上，与移动边滑动连接；

优选的，移动边的两端和滑动装置分别设置步进电机，步进电机与驱动板连接，驱动板与控制器连接。

10.如权利要求9所述的激光定位取材装置，其特征在于：切割器包括两个固定杆和刀片，两个固定杆的一端分别与滑动装置固定连接，刀片位于两个固定杆之间，刀片的两端分别与两个固定杆固定连接，两个固定杆之间的距离大于标本盒的宽度。

Images