CN112305006A - 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统 - Google Patents

一种基于核磁共振信号的肿瘤组织标本的识别方法及系统 Download PDF

Info

Publication number
CN112305006A
CN112305006A CN202011155793.6A CN202011155793A CN112305006A CN 112305006 A CN112305006 A CN 112305006A CN 202011155793 A CN202011155793 A CN 202011155793A CN 112305006 A CN112305006 A CN 112305006A
Authority
CN
China
Prior art keywords
tumor tissue
magnetic resonance
nuclear magnetic
tissue sample
malignant
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011155793.6A
Other languages
English (en)
Other versions
CN112305006B (zh
Inventor
陆荣生
易红
吴正秀
倪中华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202011155793.6A priority Critical patent/CN112305006B/zh
Publication of CN112305006A publication Critical patent/CN112305006A/zh
Application granted granted Critical
Publication of CN112305006B publication Critical patent/CN112305006B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
    • G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种基于核磁共振信号的肿瘤组织标本的识别方法及系统，在术中对切下的肿瘤组织标本进行良恶性识别，提高识别速度和准确率。本发明基于核磁共振信号的肿瘤组织标本的识别方法及系统，对术中切下的肿瘤组织标本，采用多维脉冲序列进行多维度核磁共振信号的采集，通过对核磁共振信号进行分析处理，识别出肿瘤组织标本的良恶性。相比于现有技术，本发明实施例无需做病理切片检查，只需对切下的肿瘤组织进行核磁共振信号采集和处理，有效提高识别速度。本发明实施例以核磁共振信号为处理对象进行处理分析，得到识别结果，无需依赖人为经验，有效提高识别准确度。

Description

一种基于核磁共振信号的肿瘤组织标本的识别方法及系统
技术领域
本发明属于信号处理技术领域，具体来说，涉及一种基于核磁共振信号的肿瘤组织标本的识别方法及系统。
背景技术
世界卫生组织在全球癌症统计研究报告中表明：恶性肿瘤已经成为造成人类发病死亡的首要原因，仅在2018年全球就有960万人死于癌症。中国国家癌症中心的统计数据显示国内的恶性肿瘤发病率和致死率也在逐年增加。目前肿瘤的诊断手段有很多，例如肿瘤标记物检测、医学影像检查(超声、CT、MRI等)、病理学检查等。临床中病理学检查是肿瘤诊断中最为可靠的一种诊断方式，可以确定肿瘤组织的性质，提供更多的肿瘤组织结构、病变发展程度等信息。然而病理学检查中常用的石蜡切片等技术需要等待较长时间(3天以上)才能出诊断报告，对急需明确诊断者不适用。
另外，临床手术中要求快速完成肿瘤组织的识别，确定肿瘤组织的病变性质、病变程度等信息，以便医疗工作者在手术中确定下一步手术方案，避免患者进行二次手术。目前最常用的是快速冷冻制片技术。该技术首先需要对标本进行简单的冷冻、切片、染色然后显微镜观察分析，但整个过程仍需要20-30分钟的检测时间，准确率也很难保证。另外并非所有组织都能够进行快速冷冻检查，且该切片的病理分析较大依赖于病理科医生的经验水平，准确率受人为经验影响。因此亟需一种能够实现临床手术中肿瘤组织快速精准诊断的方法，避免患者进行二次手术，提高临床中癌症的治愈率。
发明内容
本发明所要解决的技术问题是：提供一种基于核磁共振信号的肿瘤组织标本的识别方法及系统，在术中对切下的肿瘤组织标本进行良恶性识别，提高识别速度和准确率。
为解决上述技术问题，本发明采用以下技术方案：本发明实施例提供一种基于核磁共振信号的肿瘤组织标本的识别方法，包括以下步骤：
步骤10、采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；所述多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
步骤20、对采集到的核磁共振信号进行反演辨识，得到所述肿瘤组织标本的特征参数和反演信号特征图谱；所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
步骤30、根据所述特征参数，利用式(1)计算得到所述肿瘤组织标本的恶性指数：
Figure BDA0002742689430000021
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure BDA0002742689430000022
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000023
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000024
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果所述肿瘤组织标本的恶性指数小于恶性阈值，则所述肿瘤组织标本为良性肿瘤组织；否则所述肿瘤组织标本为恶性肿瘤组织。
作为本发明实施例的进一步改进，所述恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值通过以下方法获得：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号；所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数；
根据良性肿瘤组织样本的特征参数，利用式(2)计算得到良性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000031
式中，MIi表示第i个良性肿瘤组织样本的恶性系数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000032
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000033
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000034
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用式(3)计算得到恶性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000035
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000041
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000042
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000043
表示良性肿瘤组织样本的扩散系数的平均值，K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
作为本发明实施例的进一步改进，还包括：
步骤40、如果所述肿瘤组织标本为恶性肿瘤组织，根据所述肿瘤组织标本的核磁共振信号和回归系数矩阵，利用式(4)计算得到所述肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
其中，所述回归系数矩阵通过以下方法获得：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据所述恶性肿瘤组织样本的核磁共振信号和癌组织占比，结合式(5)，利用多变量分析方法进行计算，得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织样本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
作为本发明实施例的进一步改进，还包括步骤50，如果所述肿瘤组织标本为恶性肿瘤组织，将所述肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到所述肿瘤组织标本的分级信息。
作为本发明实施例的进一步改进，所述肿瘤分级模型通过以下方法获得：
采用多维脉冲序列，采集处于不同分化程度的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，得到肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
作为本发明实施例的进一步改进，包括：
信号采集模块，用于采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；所述多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
反演辨识模块，用于对采集到的核磁共振信号进行反演辨识，得到所述肿瘤组织标本的特征参数和反演信号特征图谱；所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
定性识别模块，用于根据所述特征参数，利用式(1)计算得到所述肿瘤组织标本的恶性指数：
Figure BDA0002742689430000061
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure BDA0002742689430000062
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000063
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000064
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果所述肿瘤组织标本的恶性指数小于恶性阈值，则所述肿瘤组织标本为良性肿瘤组织，否则所述肿瘤组织标本为恶性肿瘤组织。
作为本发明实施例的进一步改进，还包括：
定性建模模块，用于获得恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值；具体用于：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号，所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数；
根据良性肿瘤组织样本的特征参数，利用式(2)计算得到良性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000065
式中，MIi表示第i个良性肿瘤组织样本的恶性指数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000071
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000072
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000073
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用式(3)计算得到恶性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000074
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000075
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000076
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000077
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
作为本发明实施例的进一步改进，还包括：
定量识别模块，用于根据所述肿瘤组织标本的核磁共振信号和回归系数矩阵，利用式(4)计算得到所述肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
定量建模模块，用于获得回归系数矩阵；具体用于：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据所述恶性肿瘤组织样本的核磁共振信号和癌组织占比，根据式(5)，利用多变量分析方法进行计算得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织标本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
作为本发明实施例的进一步改进，还包括：
定级识别模块，用于将所述肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到所述肿瘤组织标本的分级信息。
作为本发明实施例的进一步改进，还包括：
定级建模模块，用于建立肿瘤分级模型；具体用于：
采用多维脉冲序列，采集处于不同分化程度的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，建立肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
与现有技术相比，本发明的技术方案具有以下有益效果：提供一种基于核磁共振信号的肿瘤组织标本的识别方法及系统，在术中对切下的肿瘤组织标本进行良恶性识别，提高识别速度和准确率。本发明实施例中，对术中切下的肿瘤组织标本，采用多维脉冲序列进行多维度核磁共振信号的采集，通过对核磁共振信号进行分析处理，识别出肿瘤组织标本的良恶性。相比于现有技术，本发明实施例无需做病理切片检查，只需对切下的肿瘤组织进行核磁共振信号采集和处理，有效提高了识别速度。本发明实施例以核磁共振信号为处理对象进行处理分析，得到识别结果，无需依赖人为经验，有效提高识别准确度。
附图说明
图1为本发明实施例的肿瘤组织标本的识别方法的流程图；
图2为本发明实施例的方法中多维脉冲序列示意图；
图3为本发明实施例的肿瘤组织标本的识别系统的结构示意图。
具体实施方式
下面结合附图，对本发明的技术方案进行详细的说明。
本发明实施例提供一种基于核磁共振信号的肿瘤组织标本的识别方法，如图1所示，包括以下步骤：
步骤10、采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
步骤20、对采集到的核磁共振信号进行反演辨识，得到肿瘤组织标本的特征参数和反演信号特征图谱；特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
步骤30、根据特征参数，利用式(1)计算得到肿瘤组织标本的恶性指数：
Figure BDA0002742689430000101
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure BDA0002742689430000102
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000103
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000104
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果肿瘤组织标本的恶性指数小于恶性阈值，则肿瘤组织标本为良性肿瘤组织；否则肿瘤组织标本为恶性肿瘤组织。
本实施例方法的步骤10中，多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元，如图2所示。其中，纵向弛豫信息获取单元由一个饱和射频脉冲、一个饱和恢复时间td和一个矩形π/2脉冲构成；扩散信息获取单元由三个矩形π/2脉冲和两个梯度场构成；横向弛豫信息获取单元由一个矩形π/2脉冲和一系列矩形π脉冲构成。其中，用以获取肿瘤组织标本纵向弛豫变化信息单元，采用一个饱和射频脉冲激发肿瘤组织标本中原子核的目的是使得每次扫描之间不需要等待5倍T1时间，减少采集核磁共振信号的时间，进而提高识别速度。采用上述形式的多维脉冲序列能够同时且迅速获取肿瘤组织标本的纵向弛豫过程、横向弛豫过程以及扩散过程等多维核磁共振特征信号。
本实施例方法的步骤20中，在进行反演辨识前，基于TSVD数据压缩方法对核磁共振数据进行高效无失真压缩。然后采用噪声直方图统计法进行噪声水平评估确定反演过程中的正则化系数，对压缩后的肿瘤组织标本的多维核磁共振信号的特征参数，包括纵向弛豫时间T1、横向弛豫时间T2、扩散系数D等，及反演信号特征的特征图谱进行精准辨识。
本实施例方法的步骤30中，结合肿瘤组织标本的纵向弛豫变化、横向弛豫变化和扩散变化三个维度的特征参数计算恶性指数，用于与恶性阈值进行比较，识别出肿瘤组织标本的良恶性。相较于现有的结合肿瘤组织的纵向弛豫变化和横向弛豫变化两个维度的特征参数计算恶性指数的方法，增加了扩散维度的特征信息，能够有效提高肿瘤组织识别的准确度。
上述实施例的基于核磁共振信号的肿瘤组织标本的识别方法，对术中获取的肿瘤组织标本在现场直接进行核磁共振信号采集，通过采用多维脉冲信号同时得到多维核磁共振信号，减少采集核磁共振信号时间，进而提高识别速度。利用核磁共振反演方法对采集的多维核磁共振信号进行分析处理，得到三个维度的特征参数用于计算恶性指数，从而实时对肿瘤组织标本进行良恶性的识别，提高识别准确度。本发明实施例方法，无需做病理切片检查，只需对切下的肿瘤组织进行核磁共振信号采集和处理，有效提高了识别速度，无需依赖人为经验，有效提高识别准确度。
作为优选例，其中，恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值通过以下方法获得：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号；所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；同样的，多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元，具体来说，包括Saturation-Recovery(SR)单元、Pulse Gradient Stimulated Echo(PGSE)单元和Carr-Purcell-Meiboom-Gill(CPMG)单元；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数，所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
根据良性肿瘤组织样本的特征参数，利用式(2)计算得到良性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000121
式中，MIi表示第i个良性肿瘤组织样本的恶性系数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000122
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000123
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000124
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用式(3)计算得到恶性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000125
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000126
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000127
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000128
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
本发明实施例方法中，基于大量肿瘤组织样本，即良性肿瘤组织和恶性肿瘤组织获取多维核磁共振信号，进而得到三个维度的特征参数，计算良性肿瘤组织和恶性肿瘤组织的恶性指数来确定恶性阈值，用于术中对肿瘤组织标本进行定性识别。本发明实施例方法中的恶性阈值和最佳的特征参数权重值可在术前获得，在术中识别时直接使用，从而提高术中识别速度。也可针对不同类别(部位)的肿瘤组织获得对应的特征参数权重值和恶性阈值，建立特征参数权重值和恶性阈值数据库，术中识别中根据肿瘤组织标本的类别，从特征参数权重值和恶性阈值数据库中选择该类别对应的特征参数权重值和恶性阈值进行判断。
作为优选例，本发明实施例方法还包括：
步骤40、如果肿瘤组织标本为恶性肿瘤组织，根据肿瘤组织标本的核磁共振信号和回归系数矩阵，利用式(4)计算得到肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
其中，回归系数矩阵通过以下方法获得：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据恶性肿瘤组织样本的核磁共振信号和癌组织占比，结合式(5)，利用多变量分析方法进行计算，得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织标本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
本发明实施例方法基于大量已知癌组织占比的恶性肿瘤组织，获取多维核磁共振信号，利用多变量分析方法如偏最小二乘法进行建模分析，获得回归系数矩阵。在术中识别肿瘤组织标本为恶性肿瘤组织后，结合肿瘤组织标本的多维核磁共振信号和回归系数矩阵，得到肿瘤组织标本的癌组织占比，可有效辅助医疗工作者判断肿瘤组织的切缘问题，解决“恶性组织残留”问题，避免患者进行二次手术，为临床手术中的肿瘤诊断和治疗提供科学的依据。
本发明实施例方法中的回归系数矩阵可在术前获得，在术中识别时直接使用，从而提高术中识别速度。也可针对不同类别(部位)的肿瘤组织获得对应的回归系数矩阵，建立回归系数矩阵数据库，术中识别时根据肿瘤组织标本的类别，从回归系数矩阵数据库中选择该类别对应的回归系数矩阵计算肿瘤组织标本的癌组织占比。
作为优选例，本发明实施例方法还包括步骤60，如果肿瘤组织标本为恶性肿瘤组织，将肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到肿瘤组织标本的分级信息。
本发明实施例方法在术中识别肿瘤组织标本为恶性肿瘤组织后，将多维核磁共振信号及反演信号特征图谱作为肿瘤分级模型的输入，得到肿瘤组织的分级信息，即肿瘤组织标本处于发展阶段的级别，可用于客观评价恶性肿瘤的生物学行为和预后情况，辅助临床医师确定下一步治疗方案。
进一步，本发明实施例方法中的肿瘤分级模型通过以下方法获得：
采用多维脉冲序列，采集处于不同发展阶段的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，得到肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
本发明实施例方法基于大量不同发展阶段的恶性肿瘤组织，获取多维核磁共振信号及反演信号特征图谱，利用深度学习神经网络结构对样本进行训练和测试，建立肿瘤分级模型。上述深度学习神经网络针对核磁共振信号形式的多样化，采用混合网络模型，将卷积神经网络(CNN)作为输入端，中间层为递归神经网络(RNN)改进的长短期记忆网络(LSTM)，输出端为多层感知器(MLP)，可以更为自由的调整网络结构，获得分级精确高的肿瘤分级模型，以提高术中对肿瘤组织标本进行分级的精确度。
本发明实施例方法中的肿瘤分级模型可在术前构建得到，在术中识别时直接使用，从而提高术中识别速度。也可针对不同类别(部位)的肿瘤组织构建对应的肿瘤分级模型，建立肿瘤分级模型数据库，术中识别中根据肿瘤组织标本的类别，从肿瘤分级模型数据库中选择该类别对应的肿瘤分级模型进行对肿瘤组织标本进行分级。
本发明实施例方法，现场直接对术中切下的肿瘤组织标本，采用多维脉冲序列进行多维度核磁共振信号的同时采集，对核磁共振信号进行数据处理后，直接识别出肿瘤组织标本的良恶性，恶性肿瘤组织的癌组织占比以及分级情况。相比常规冷冻切片方法对组织样本送检、冷冻、切片、染色后用显微镜观察的一系列操作，有效的提高了识别速度。通过三个维度的核磁共振特征参数来计算恶性指数进行良恶性识别，针对核磁共振信号形式的多样化，利用混合网络结构的肿瘤分级模型来进行分级识别，相比依赖病理医生的经验水平和主观推断得出的结论，有效的提高肿瘤组织识别的准确度，减少误判率。本发明实施例方法能有效降低对肿瘤组织的识别难度，有助于指导医疗工作者在手术中确定进一步的手术方案，避免患者进行二次手术。
本发明实施例还提供一种基于核磁共振信号的肿瘤组织标本的识别系统，如图3所示，包括：
信号采集模块，用于采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；所述多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
反演辨识模块，用于对采集到的核磁共振信号进行反演辨识，得到所述肿瘤组织标本的特征参数和反演信号特征图谱；所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
定性识别模块，用于根据所述特征参数，利用下式计算得到所述肿瘤组织标本的恶性指数：
Figure BDA0002742689430000161
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure BDA0002742689430000162
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000163
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000164
表示良性肿瘤组织样本的扩散系数的平均值，K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果所述肿瘤组织标本的恶性指数小于恶性阈值，则所述肿瘤组织标本为良性肿瘤组织，否则所述肿瘤组织标本为恶性肿瘤组织。
本实施例系统的信号采集模块，多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元，如图2所示。其中，纵向弛豫信息获取单元由一个饱和射频脉冲、一个饱和恢复时间td和一个矩形π/2脉冲构成；扩散信息获取单元由三个矩形π/2脉冲和两个梯度场构成；横向弛豫信息获取单元由一个矩形π/2脉冲和一系列矩形π脉冲构成。其中，用以获取肿瘤组织标本纵向弛豫变化信息单元，采用一个饱和射频脉冲激发肿瘤组织标本中原子核的目的是使得每次扫描之间不需要等待5倍T1时间，减少采集核磁共振信号的时间，进而提高识别速度。采用上述形式的多维脉冲序列能够同时且迅速获取肿瘤组织标本的纵向弛豫过程、横向弛豫过程以及扩散过程等多维核磁共振特征信号。
本实施例系统的反演辨识模块，在进行反演辨识前，基于TSVD数据压缩方法对核磁共振数据进行高效无失真压缩。然后采用噪声直方图统计法进行噪声水平评估确定反演过程中的正则化系数，对压缩后的肿瘤组织标本的多维核磁共振信号的特征参数，包括纵向弛豫时间T1、横向弛豫时间T2、扩散系数D等，及反演信号特征的特征图谱进行精准辨识。
本实施例系统的定性识别模块，结合肿瘤组织标本的纵向弛豫变化、横向弛豫变化和扩散变化三个维度的特征参数计算恶性指数，用于与恶性阈值进行比较，识别出肿瘤组织标本的良恶性。
上述实施例的基于核磁共振信号的肿瘤组织标本的识别系统，对术中获取的肿瘤组织标本在现场直接进行核磁共振信号采集，通过采用多维脉冲序列同时得到多维核磁共振信号，减少采集核磁共振信号时间，进而提高识别速度。利用核磁共振反演方法对采集的多维核磁共振信号进行分析处理，得到三个维度的特征参数用于计算恶性指数，从而实时对肿瘤组织标本进行良恶性的识别，提高识别准确度。本发明实施例系统，无需做病理切片检查，只需对切下的肿瘤组织进行核磁共振信号采集和处理，有效提高了识别速度，无需依赖人为经验，有效提高识别准确度。
作为优选例，本发明实施例系统还包括：
定性建模模块，用于获得恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值；具体用于：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号，所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数；
根据良性肿瘤组织样本的特征参数，利用下式计算得到良性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000181
式中，MIi表示第i个良性肿瘤组织样本的恶性系数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000182
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000183
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000184
表示良性肿瘤组织样本的扩散系数的平均值，K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用下式计算得到恶性肿瘤组织样本的恶性指数：
Figure BDA0002742689430000191
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure BDA0002742689430000192
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure BDA0002742689430000193
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure BDA0002742689430000194
表示良性肿瘤组织样本的扩散系数的平均值，K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
本发明实施例系统的定性建模模块基于大量肿瘤组织样本，即良性肿瘤组织和恶性肿瘤组织获取多维核磁共振信号，进而得到三个维度的特征参数，计算良性肿瘤组织和恶性肿瘤组织的恶性指数来确定恶性阈值，用于术中对肿瘤组织标本进行定性识别。本发明实施例系统中的定性建模模块可在术前获得恶性阈值和最佳的纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值，在术中识别时直接使用，从而提高术中识别速度。定性建模模块也可针对不同类别(部位)的肿瘤组织获得对应的特征参数权重值和恶性阈值，建立特征参数权重值和恶性阈值数据库，术中识别中根据肿瘤组织标本的类别，从特征参数权重值和恶性阈值数据库中选择该类别对应的特征参数权重值和恶性阈值进行判断。
作为优选例，本发明实施例系统还包括：
定量识别模块，用于根据所述肿瘤组织标本的核磁共振信号和回归系数矩阵，利用下式计算得到所述肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
定量建模模块，用于获得回归系数矩阵；具体用于：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据所述恶性肿瘤组织样本的核磁共振信号和癌组织占比，根据下式，利用多变量分析方法进行计算得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织标本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
本发明实施例系统的定量建模模块基于大量已知癌组织占比的恶性肿瘤组织，获取多维核磁共振信号，利用多变量分析方法如偏最小二乘法进行建模分析，获得回归系数矩阵。在术中定性识别模块识别肿瘤组织标本为恶性肿瘤组织后，定量识别模块结合肿瘤组织标本的多维核磁共振信号和回归系数矩阵，得到肿瘤组织标本的癌组织占比，可有效辅助医疗工作者判断肿瘤组织的切缘问题，解决“恶性组织残留”问题，避免患者进行二次手术，为临床手术中的肿瘤诊断和治疗提供科学的依据。
本发明实施例系统中，定量建模模块可在术前获得回归系数矩阵，在术中识别时直接使用，从而提高术中识别速度。回归系数矩阵也可针对不同类别(部位)的肿瘤组织获得对应的回归系数矩阵，建立回归系数矩阵数据库，术中定量识别模块根据肿瘤组织标本的类别，从回归系数矩阵数据库中选择该类别对应的回归系数矩阵计算肿瘤组织标本的癌组织占比。
作为优选例，本发明实施例系统还包括：
定级识别模块，用于将所述肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到所述肿瘤组织标本的分级信息。
本发明实施例系统，在定性识别模块识别肿瘤组织标本为恶性肿瘤组织后，定级识别模块将多维核磁共振信号及反演信号特征图谱作为肿瘤分级模型的输入，得到肿瘤组织的分级信息，即肿瘤组织标本处于发展阶段的级别。
作为优选例，本发明实施例系统还包括：
定级建模模块，用于建立肿瘤分级模型；具体用于：
采用多维脉冲序列，采集处于不同发展阶段的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，建立肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
本发明实施例系统的定级建模模块，基于大量不同发展阶段的恶性肿瘤组织，获取多维核磁共振信号及反演信号特征图谱，利用深度学习神经网络结构对样本进行训练和测试，建立肿瘤分级模型。上述深度学习神经网络针对核磁共振信号形式的多样化，采用混合网络模型，将卷积神经网络(CNN)作为输入端，中间层为递归神经网络(RNN)改进的长短期记忆网络(LSTM)，输出端为多层感知器(MLP)，可以更为自由的调整网络结构，获得分级精确高的肿瘤分级模型，以提高术中对肿瘤组织标本进行分级的准确度。
本发明实施例系统中，定级建模模块可在术前构建肿瘤分级模型，在术中识别时直接使用，从而提高术中识别速度。定级建模模块也可针对不同类别(部位)的肿瘤组织构建对应的肿瘤分级模型，建立肿瘤分级模型数据库，术中定级识别模块根据肿瘤组织标本的类别，从肿瘤分级模型数据库中选择该类别对应的肿瘤分级模型进行对肿瘤组织标本进行分级。
本发明优选实施例的基于核磁共振信号的肿瘤组织标本的识别系统，包括依次连接的信号采集模块、反演辨识模块和定性识别模块，还包括定性建模模块、定量识别模块、定量建模模块、定级识别模块和定级建模模块，定性建模模块的输出端与定性识别模块的输入端连接，定性识别模块的输出端与定量识别模块的输入端连接，定量建模模块的输出端与定量识别模块的输入端连接，定性识别模块的输出端与定级识别模块的输入端连接，定级建模模块的输出端与定级识别模块的输入端连接。
本发明优选实施例的系统，现场直接对术中切下的肿瘤组织标本，采用多维脉冲序列进行多维度核磁共振信号的同时采集，对核磁共振信号进行数据处理后，直接识别出肿瘤组织标本的良恶性，恶性肿瘤组织的癌组织占比以及分级情况。相比常规冷冻切片方法对组织样本送检、冷冻、切片、染色后用显微镜观察的一系列操作，有效的提高了识别速度。通过三个维度的核磁共振特征参数来计算恶性指数进行良恶性识别，针对核磁共振信号形式的多样化，利用混合网络结构的肿瘤分级模型来进行分级识别，相比依赖病理医生的经验水平和主观推断得出的结论，有效的提高肿瘤组织识别的准确度，减少误判率。本发明实施例方法能有效降低对肿瘤组织的识别难度，有助于指导医疗工作者在手术中确定进一步的手术方案，避免患者进行二次手术。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (10)

1.一种基于核磁共振信号的肿瘤组织标本的识别方法，其特征在于，包括以下步骤：
步骤10、采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；所述多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
步骤20、对采集到的核磁共振信号进行反演辨识，得到所述肿瘤组织标本的特征参数和反演信号特征图谱；所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
步骤30、根据所述特征参数，利用式(1)计算得到所述肿瘤组织标本的恶性指数：
Figure FDA0002742689420000011
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure FDA0002742689420000012
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000013
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000014
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果所述肿瘤组织标本的恶性指数小于恶性阈值，则所述肿瘤组织标本为良性肿瘤组织；否则所述肿瘤组织标本为恶性肿瘤组织。
2.根据权利要求1所述的基于核磁共振信号的肿瘤组织标本的识别方法，其特征在于，所述恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值通过以下方法获得：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号；所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数；
根据良性肿瘤组织样本的特征参数，利用式(2)计算得到良性肿瘤组织样本的恶性指数：
Figure FDA0002742689420000021
式中，MIi表示第i个良性肿瘤组织样本的恶性系数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure FDA0002742689420000022
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000023
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000024
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用式(3)计算得到恶性肿瘤组织样本的恶性指数：
Figure FDA0002742689420000025
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure FDA0002742689420000026
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000027
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000031
表示良性肿瘤组织样本的扩散系数的平均值，K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
3.根据权利要求1所述的基于核磁共振信号的肿瘤组织标本的识别方法，其特征在于，还包括：
步骤40、如果所述肿瘤组织标本为恶性肿瘤组织，根据所述肿瘤组织标本的核磁共振信号和回归系数矩阵，利用式(4)计算得到所述肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
其中，所述回归系数矩阵通过以下方法获得：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据所述恶性肿瘤组织样本的核磁共振信号和癌组织占比，结合式(5)，利用多变量分析方法进行计算，得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织样本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
4.根据权利要求1所述的基于核磁共振信号的肿瘤组织标本的识别方法，其特征在于，还包括步骤50，如果所述肿瘤组织标本为恶性肿瘤组织，将所述肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到所述肿瘤组织标本的分级信息。
5.根据权利要求4所述的基于核磁共振信号的肿瘤组织标本的识别方法，其特征在于，所述肿瘤分级模型通过以下方法获得：
采用多维脉冲序列，采集处于不同分化程度的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，得到肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
6.一种基于核磁共振信号的肿瘤组织标本的识别系统，其特征在于，包括：
信号采集模块，用于采用多维脉冲序列，采集肿瘤组织标本的核磁共振信号；所述多维脉冲序列包括纵向弛豫信息获取单元、扩散信息获取单元和横向弛豫信息获取单元；
反演辨识模块，用于对采集到的核磁共振信号进行反演辨识，得到所述肿瘤组织标本的特征参数和反演信号特征图谱；所述特征参数包括纵向弛豫时间、横向弛豫时间和扩散系数；
定性识别模块，用于根据所述特征参数，利用式(1)计算得到所述肿瘤组织标本的恶性指数：
Figure FDA0002742689420000051
式中，MI表示肿瘤组织标本的恶性系数，T1表示肿瘤组织标本的纵向弛豫时间，T2表示肿瘤组织标本的横向弛豫时间，D表示肿瘤组织标本的扩散系数，
Figure FDA0002742689420000052
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000053
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000054
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
如果所述肿瘤组织标本的恶性指数小于恶性阈值，则所述肿瘤组织标本为良性肿瘤组织，否则所述肿瘤组织标本为恶性肿瘤组织。
7.根据权利要求6所述的基于核磁共振信号的肿瘤组织标本的识别系统，其特征在于，还包括：
定性建模模块，用于获得恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值；具体用于：
采用多维脉冲序列，采集肿瘤组织样本的核磁共振信号，所述肿瘤组织样本包括良性肿瘤组织样本和恶性肿瘤组织样本；
采用核磁共振反演方法，分别对采集的良性肿瘤组织样本的核磁共振信号和恶性肿瘤组织样本的核磁共振信号进行反演辨识，得到良性肿瘤组织样本的特征参数和恶性肿瘤组织样本的特征参数；
根据良性肿瘤组织样本的特征参数，利用式(2)计算得到良性肿瘤组织样本的恶性指数：
Figure FDA0002742689420000055
式中，MIi表示第i个良性肿瘤组织样本的恶性指数，(T1)i表示第i个良性肿瘤组织样本的纵向弛豫时间，(T2)i表示第i个良性肿瘤组织样本的横向弛豫时间，(D)i表示第i个良性肿瘤组织样本的扩散系数，
Figure FDA0002742689420000061
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000062
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000063
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据恶性肿瘤组织样本的特征参数，利用式(3)计算得到恶性肿瘤组织样本的恶性指数：
Figure FDA0002742689420000064
式中，MIj表示第j个恶性肿瘤组织样本的恶性系数，(T1)j表示第j个恶性肿瘤组织样本的纵向弛豫时间，(T2)j表示第j个恶性肿瘤组织样本的横向弛豫时间，(D)j表示第j个恶性肿瘤组织样本的扩散系数，
Figure FDA0002742689420000065
表示良性肿瘤组织样本的纵向弛豫时间的平均值，
Figure FDA0002742689420000066
表示良性肿瘤组织样本的横向弛豫时间的平均值，
Figure FDA0002742689420000067
表示良性肿瘤组织样本的扩散系数的平均值；K1表示纵向弛豫时间的权重值，K2表示横向弛豫时间的权重值，K3表示扩散系数的权重值；
根据良性肿瘤组织样本的恶性指数和恶性肿瘤组织样本的恶性指数，确定恶性阈值、纵向弛豫时间的权重值、横向弛豫时间的权重值以及扩散系数的权重值。
8.根据权利要求6所述的基于核磁共振信号的肿瘤组织标本的识别系统，其特征在于，还包括：
定量识别模块，用于根据所述肿瘤组织标本的核磁共振信号和回归系数矩阵，利用式(4)计算得到所述肿瘤组织标本的癌组织占比：
y＝BX1 式(4)
式中，y表示所述肿瘤组织标本的癌组织占比，B表示回归系数矩阵，X1表示所述肿瘤组织标本的核磁共振信号；
定量建模模块，用于获得回归系数矩阵；具体用于：
采用多维脉冲序列，采集恶性肿瘤组织样本的核磁共振信号；
利用病理学方法得到所述恶性肿瘤组织样本的癌组织占比；
根据所述恶性肿瘤组织样本的核磁共振信号和癌组织占比，根据式(5)，利用多变量分析方法进行计算得到回归系数矩阵：
Y＝BX 式(5)
式中，Y＝[m1,m2,…mn]，n表示恶性肿瘤组织样本的个数，mi表示第i个恶性肿瘤组织标本的癌组织占比，X＝[p1,p2,…pn]，pi表示第i个恶性肿瘤组织标本的核磁共振信号，B表示回归系数矩阵。
9.根据权利要求6所述的基于核磁共振信号的肿瘤组织标本的识别系统，其特征在于，还包括：
定级识别模块，用于将所述肿瘤组织标本的反演信号特征图谱和核磁共振信号输入肿瘤分级模型，得到所述肿瘤组织标本的分级信息。
10.根据权利要求9所述的基于核磁共振信号的肿瘤组织标本的识别系统，其特征在于，还包括：
定级建模模块，用于建立肿瘤分级模型；具体用于：
采用多维脉冲序列，采集处于不同分化程度的恶性肿瘤组织样本的核磁共振信号；
对采集到的核磁共振信号进行反演辨识，得到所述恶性肿瘤组织样本的反演信号特征图谱；
根据所述恶性肿瘤组织样本的反演信号特征图谱和核磁共振信号，利用深度学习神经网络结构进行训练和测试，建立肿瘤分级模型；所述深度学习神经网络结构包括依次连接的卷积神经网络、长短期记忆网络和多层感知器。
CN202011155793.6A 2020-10-26 2020-10-26 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统 Active CN112305006B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011155793.6A CN112305006B (zh) 2020-10-26 2020-10-26 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011155793.6A CN112305006B (zh) 2020-10-26 2020-10-26 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统

Publications (2)

Publication Number Publication Date
CN112305006A true CN112305006A (zh) 2021-02-02
CN112305006B CN112305006B (zh) 2023-09-01

Family

ID=74330794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011155793.6A Active CN112305006B (zh) 2020-10-26 2020-10-26 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统

Country Status (1)

Country Link
CN (1) CN112305006B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置
CN113743596A (zh) * 2021-11-03 2021-12-03 中国科学院精密测量科学与技术创新研究院 一种基于无监督神经网络的nmr弛豫时间反演方法
CN117233676A (zh) * 2023-11-15 2023-12-15 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3789832A (en) * 1972-03-17 1974-02-05 R Damadian Apparatus and method for detecting cancer in tissue
WO1992011807A1 (en) * 1991-01-07 1992-07-23 The Beth Israel Hospital Association Process fot the detection and localization of cancer
US20040189296A1 (en) * 2003-03-24 2004-09-30 Chevron U.S.A. Inc. Method for obtaining multi-dimensional proton density distributions from a system of nuclear spins
US20140039300A1 (en) * 2010-11-22 2014-02-06 Sunnmore Mr-Klinikk As Dynamic MR Imaging of Patients with Breast Cancer - Establishment and Comparison of Different Analytical Methods for Tissue Perfusion and Capillary Permeability
CN105486709A (zh) * 2015-12-17 2016-04-13 中国石油大学(北京) 井下稠油分子链长的测量方法和装置
CN108520088A (zh) * 2018-02-27 2018-09-11 华东师范大学 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统
CN109270108A (zh) * 2017-03-27 2019-01-25 北京青檬艾柯科技有限公司 多维核磁共振测量方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3789832A (en) * 1972-03-17 1974-02-05 R Damadian Apparatus and method for detecting cancer in tissue
WO1992011807A1 (en) * 1991-01-07 1992-07-23 The Beth Israel Hospital Association Process fot the detection and localization of cancer
US20040189296A1 (en) * 2003-03-24 2004-09-30 Chevron U.S.A. Inc. Method for obtaining multi-dimensional proton density distributions from a system of nuclear spins
US20140039300A1 (en) * 2010-11-22 2014-02-06 Sunnmore Mr-Klinikk As Dynamic MR Imaging of Patients with Breast Cancer - Establishment and Comparison of Different Analytical Methods for Tissue Perfusion and Capillary Permeability
CN105486709A (zh) * 2015-12-17 2016-04-13 中国石油大学(北京) 井下稠油分子链长的测量方法和装置
CN109270108A (zh) * 2017-03-27 2019-01-25 北京青檬艾柯科技有限公司 多维核磁共振测量方法
CN108520088A (zh) * 2018-02-27 2018-09-11 华东师范大学 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269868A (zh) * 2021-04-30 2021-08-17 哈雷医用(广州)智能技术有限公司 一种人体肿瘤三维虚拟模型的建立方法和装置
CN113743596A (zh) * 2021-11-03 2021-12-03 中国科学院精密测量科学与技术创新研究院 一种基于无监督神经网络的nmr弛豫时间反演方法
CN113743596B (zh) * 2021-11-03 2022-02-18 中国科学院精密测量科学与技术创新研究院 一种基于无监督神经网络的nmr弛豫时间反演方法
CN117233676A (zh) * 2023-11-15 2023-12-15 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置
CN117233676B (zh) * 2023-11-15 2024-03-26 之江实验室 一种回波时间依赖的磁共振扩散成像信号生成方法和装置

Also Published As

Publication number Publication date
CN112305006B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN112305006B (zh) 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统
CN108375747B (zh) 一种基于磁共振指纹的动态增强磁共振成像方法
CN112529894A (zh) 一种基于深度学习网络的甲状腺结节的诊断方法
CN106096636A (zh) 一种基于神经影像的进展型轻度认知功能障碍识别方法
CN110033432B (zh) 基于机器学习和能谱ct的泌尿结石成分分析方法及系统
CN103356241A (zh) 二维超声设备成像质量评估系统及评估方法
JP2023544466A (ja) Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置
CN106096571A (zh) 一种基于emd特征提取和稀疏表示的细胞分类方法
CN110991536A (zh) 原发性肝癌的早期预警模型的训练方法
CN106983524A (zh) 一种反映生物组织异常的参数及其测量方法
US20220117552A1 (en) Artificial neural network-based nuclear magnetic resonance and magnetic resonance spectroscopy data processing method and apparatus thereof
CN114494217A (zh) 一种人工组织和类器官的检测方法及其装置
Lean et al. Determination of grade and receptor status from the primary breast lesion by magnetic resonance spectroscopy
KR101284388B1 (ko) 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체
CN111584064A (zh) 一种结、直肠癌转移预测系统及其使用方法
CN114842969A (zh) 一种基于关键纤维束的轻度认知障碍症评估方法
CN112508890B (zh) 一种基于二级评测模型的奶牛体脂率检测方法
CN113706518A (zh) 一种基于人工智能的股骨头坏死分期分析方法及系统
CN113702349A (zh) 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法
CN112716447A (zh) 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统
Bhosale et al. PCOS (polycystic ovarian syndrome) detection using deep learning
CN114983389B (zh) 基于磁共振扩散张量成像的人脑轴突密度定量评估方法
CN115101150A (zh) 一种普外科临床用肿瘤手术的标本收集方法
WO2006091983A2 (en) Variable diffusion-time magnetic resonance-based system and method
CN115861228A (zh) 基于UNet网络和注意力机制的脑胶质瘤分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant