CN116705215A - 一种用于脑室检测的荧光标记系统 - Google Patents
一种用于脑室检测的荧光标记系统 Download PDFInfo
- Publication number
- CN116705215A CN116705215A CN202310974095.6A CN202310974095A CN116705215A CN 116705215 A CN116705215 A CN 116705215A CN 202310974095 A CN202310974095 A CN 202310974095A CN 116705215 A CN116705215 A CN 116705215A
- Authority
- CN
- China
- Prior art keywords
- detection
- data
- fluorescence
- historical
- experimental
- 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
Links
- 238000001514 detection method Methods 0.000 claims abstract description 133
- 238000010801 machine learning Methods 0.000 claims abstract description 45
- 208000029028 brain injury Diseases 0.000 claims abstract description 43
- 239000007850 fluorescent dye Substances 0.000 claims abstract description 39
- 238000002474 experimental method Methods 0.000 claims abstract description 30
- 238000001917 fluorescence detection Methods 0.000 claims abstract description 30
- 238000001215 fluorescent labelling Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 238000001506 fluorescence spectroscopy Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 57
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 29
- 210000004556 brain Anatomy 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000002861 ventricular Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 5
- 239000007924 injection Substances 0.000 claims description 5
- 230000006378 damage Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 239000003550 marker Substances 0.000 claims description 2
- 239000007788 liquid Substances 0.000 description 17
- 210000004027 cell Anatomy 0.000 description 9
- 230000002490 cerebral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000012567 medical material Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 208000002193 Pain Diseases 0.000 description 1
- 208000035965 Postoperative Complications Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036407 pain Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种用于脑室检测的荧光标记系统，涉及脑室荧光检测技术领域，通过设置历史检测数据收集模块预先从实验室中收集脑室荧光检测的历史检测数据；设置历史结果评估模块对不同历史检测数据的组合生成的检测结果进行量化评估；设置模型训练模块利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；设置检测结果预测模块在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；设置检测结果评估模块用于对预测的实验结果进行综合评估；实验人员对综合权重进行评估，选择最合适的实验参数，即可在实验前对实验结果进行一定的预估，降低了实验的试错成本和对实验样本的脑部伤害。
Description
技术领域
本发明属于脑室荧光检测领域，具体是一种用于脑室检测的荧光标记系统。
背景技术
脑室检测一般在不同荧光素或荧光染料类别、使用剂量、实验样本脑室数据等条件下，会出现不同的实验结果；而实验结果往往是只有在荧光素或荧光染料注入脑室后才能确定，因此，在实际检测时，经常会消耗多个实验样本，得到的实验结果却一直不理想的情况，更有甚者，会出现注入过多荧光素或荧光染料导致实验样本脑部受损的情况；因此，为了降低试错成本，减少实验样本的损耗，以及最大程度降低荧光素对实验样本的脑部伤害，亟需一种可在实验前预估实验结果的预测方法；
授权公告号为CN110338779B的中国专利公开了一种脑室-腹腔脑脊液分流管分流量检测装置及检测方法，该检测装置括一储液囊，储液囊的背部为具有一定厚度的硬质医用材料，储液囊前部为软质医用材料，储液囊上端和下端各自设置有进液口和出液口，进液口、出液口分别包裹有进液管和出液管，且进液口和进液管之间密封无渗液，出液口和出液管之间密封无渗液；储液囊前部的中间部位或中上部设置有耐穿刺且穿刺孔可以自动闭合的穿刺部。本发明可以在不影响引流的情况下检测脑室-腹腔脑脊液分流管的分流量，给医生的诊断和治疗提供判断依据，通过分流量的检测及时调整患者分流管的压力，减少术后并发症，减轻患者痛苦，提高治疗效果；但该发明并未使用到荧光技术，也未能对荧光标记结果进行分析；
为此，提出一种用于脑室检测的荧光标记系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种用于脑室检测的荧光标记系统，该一种用于脑室检测的荧光标记系统降低了实验的试错成本和对实验样本的脑部伤害。
为实现上述目的，根据本发明的第一方面的实施例提出一种用于脑室检测的荧光标记系统，包括历史检测数据收集模块、历史结果评估模块、模型训练模块、检测结果预测模块以及检测结果评估模块；其中，各个模块之间通过电气和/或无线网络方式连接；
其中，所述历史检测数据收集模块主要用于预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；
所述历史检测数据包括样本历史数据、荧光素历史数据以及标记结果历史数据；
其中，所述样本历史数据包括但不限于实验样本物种、脑容量大小、脑部结构以及脑室数据等；其中，所述脑室数据为根据实际的实验经验确定的影响荧光标记结果的脑室物理因素；
其中，所述荧光素历史数据包括但不限于荧光素或荧光染料类型、使用的剂量和浓度以及注入脑室的方式；荧光素历史数据还包括标记细胞类型、标记细胞的效率以及标记的稳定性；其中，所述标记的稳定性使用标记细胞后至颜色消失之间的时长进行表示；
其中，所述标记结果历史数据包括但不限于荧光素注入脑室后的成像结果、荧光素对脑部的伤害数据以及荧光标记的深度；
所述历史检测数据收集模块将收集的历史检测数据发送至模型训练模块，并将其中的标记结果历史数据发送至历史结果评估模块；
其中，所述历史结果评估模块主要用于对不同历史检测数据的组合生成的检测结果进行量化评估；
所述历史结果评估模块对检测结果进行量化评估包括以下步骤：
步骤S1：将每次荧光检测的结果分为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类；
步骤S2：对于成像清晰度，从生成的荧光检测图像中根据像素值差异提取出荧光形成的图像，再将荧光形成图像与实验样本所属物种的脑室结构图进行图像对比，计算出图像相似度；该图像相似度即可作为成像清晰度的量化值；
步骤S3：对于清晰成像持续时长，预先根据实际经验设置成像清晰度阈值，统计荧光形成图像与实验样本所属物种的脑室的图像相似度大于成像清晰度阈值的时长；该时长即为清晰成像持续时长的量化值；
步骤S4：对于脑部伤害程度，预先设置检查周期N，即对每个实验样本，每次实验所使用的荧光素数据相同情况下，每隔N次脑室实验后，使用医学脑部检测技术对实验样本进行脑部伤害程度认定，并根据医学知识，对脑部伤害程度进行量化；将量化后的脑部伤害程度除以检查周期N，获得每次脑部伤害程度；该每次脑部伤害程度即为脑部伤害程度的量化值；
步骤S5：对于标记深度，从生成的荧光检测图像中根据像素值差异提取出荧光形成的图像，统计该荧光检测在脑室内标记的最大深度；该最大深度即为标记深度的量化值；
所述历史结果评估模块将每组荧光检测实验生成的四类检测结果的量化值发送至模型训练模块；
其中，所述模型训练模块主要用于利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；
所述模型训练模块训练预测四类检测结果的四个机器学习模型包括以下步骤：
步骤Q1：将样本历史数据以及荧光素历史数据中各项属性值进行量化，并合并成特征向量的形式；
步骤Q2：将特征向量分别输入至四个机器学习模型中，四个机器学习模型分别标记为M1、M2、M3以及M4；其中，机器学习模型M1、M2、M3以及M4分别用于根据特征向量预测成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度；
步骤Q3：预先为机器学习模型M1、M2、M3以及M4分别设置预测准确率阈值p1、p2、p3以及p4；在机器学习模型M1、M2、M3以及M4的预测准确率分别大于预测准确率阈值p1、p2、p3以及p4时，停止训练；
所述模型训练模块将训练完成的机器学习模型M1、M2、M3以及M4发送至检测结果预测模块；
其中，所述检测结果预测模块主要用于在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；
所述检测结果预测模块对实验结果进行预测的方式为：
由实验人员输入待实验样本的样本数据，再根据实际实验经验设置荧光素数据；将样本数据与荧光素数据进行量化并合并为特征向量形式；将特征向量分别输入至机器学习模型M1、M2、M3以及M4中，获得预测的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类实验结果；
所述检测结果预测模块将预测实验结果发送至检测结果评估模块；
其中，所述检测结果评估模块主要用于对预测的实验结果进行评估；
所述检测结果评估模块对实验结果进行评估的方式为：
根据实际实验经验，为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度分别设置一个权重系数a、b、c以及d；并将每组实验结果的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度的预测值分别标记为W、X、Y、Z；计算每组实验结果的综合权重值K；其中，综合权重值K的计算公式为K=a*W+b*X+c*Y+d*Z；综合权重值作为实验人员在选择实验参数时的参考。
一种用于脑室检测的荧光标记方法，包括以下步骤：
预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；
对不同历史检测数据的组合生成的检测结果进行量化评估，生成每组荧光检测实验的四类检测结果的量化值；
利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；
在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；
对预测的实验结果进行评估。
一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的用于脑室检测的荧光标记方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的用于脑室检测的荧光标记方法。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集历史荧光实验中样本历史数据、荧光素历史数据和标记结果历史数据，且对于其中的标记结果历史数据，分为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类，再将每一类检测结果进行量化评估，以样本数据和荧光素数据作为输入，四类检测结果作为预测目标，分别训练出预测各类检测结果量化值的机器学习模型，在实际实验前，实验人员获取实验样本的样本数据，再设置不同的荧光素参数，将样本数据与荧光素数据作为输入，获得机器学习模型对四类实验结果的预测值，最后计算出四类实验结果预测值的综合权重；实验人员通过对综合权重进行评估，选择最合适的实验参数，即可在实验前对实验结果进行一定的预估，降低了实验的试错成本和对实验样本的脑部伤害。
附图说明
图1为本发明实施例1中用于脑室检测的荧光标记系统的各个模块之间的连接结构图；
图2为本发明实施例2中用于脑室检测的荧光标记方法的流程图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
脑室检测一般在不同荧光素或荧光染料类别、使用剂量、实验样本脑室数据等条件下，会出现不同的实验结果；而实验结果往往是只有在荧光素或荧光染料注入脑室后才能确定，因此，在实际检测时，经常会消耗多个实验样本，得到的实验结果却一直不理想的情况，更有甚者，会出现注入过多荧光素或荧光染料导致实验样本脑部受损的情况。
实施例1
如图1所示，一种用于脑室检测的荧光标记系统，包括历史检测数据收集模块、历史结果评估模块、模型训练模块、检测结果预测模块以及检测结果评估模块；其中，各个模块之间通过电气和/或无线网络方式连接；
其中，所述历史检测数据收集模块主要用于预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；
在一个优选的实施例中，所述历史检测数据包括样本历史数据、荧光素历史数据以及标记结果历史数据；
其中，所述样本历史数据包括但不限于实验样本物种、脑容量大小、脑部结构以及脑室数据等；其中，所述脑室数据为根据实际的实验经验确定的影响荧光标记结果的脑室物理因素；例如：脑室形状、大小以及各类细胞平均分布比例等；
其中，所述荧光素历史数据包括但不限于荧光素或荧光染料类型、使用的剂量和浓度以及注入脑室的方式；可以理解的是，不同的荧光素或荧光染料的稳定性有所不同，标记的对象细胞类别有所不同，且对不同细胞或结构的标记的效率也不同；因此，荧光素历史数据还可以包括标记细胞类型、标记细胞的效率以及标记的稳定性；其中，所述标记的稳定性使用标记细胞后至颜色消失之间的时长进行表示；
其中，所述标记结果历史数据包括但不限于荧光素注入脑室后的成像结果、荧光素对脑部的伤害数据以及荧光标记的深度；
所述历史检测数据收集模块将收集的历史检测数据发送至模型训练模块，并将其中的标记结果历史数据发送至历史结果评估模块；
其中，所述历史结果评估模块主要用于对不同历史检测数据的组合生成的检测结果进行量化评估；
在一个优选的实施例中，所述历史结果评估模块对检测结果进行量化评估包括以下步骤：
步骤S1：将每次荧光检测的结果分为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类；
步骤S2：对于成像清晰度，从生成的荧光检测图像中根据像素值差异提取出荧光形成的图像，再将荧光形成图像与实验样本所属物种的脑室结构图进行图像对比，计算出图像相似度；可以理解的是，该图像相似度即可作为成像清晰度的量化值；
步骤S3：对于清晰成像持续时长，预先根据实际经验设置成像清晰度阈值，统计荧光形成图像与实验样本所属物种的脑室的图像相似度大于成像清晰度阈值的时长；该时长即为清晰成像持续时长的量化值；
步骤S4：对于脑部伤害程度，预先设置检查周期N，即对每个实验样本，每次实验所使用的荧光素数据相同情况下，每隔N次脑室实验后，使用医学脑部检测技术对实验样本进行脑部伤害程度认定，并根据医学知识，对脑部伤害程度进行量化；可以理解的是，此时的脑部伤害程度是N次荧光检测实验后伤害的累计；将量化后的脑部伤害程度除以检查周期N，获得每次脑部伤害程度；该每次脑部伤害程度即为脑部伤害程度的量化值；
步骤S5：对于标记深度，从生成的荧光检测图像中根据像素值差异提取出荧光形成的图像，统计该荧光检测在脑室内标记的最大深度；该最大深度即为标记深度的量化值；
所述历史结果评估模块将每组荧光检测实验生成的四类检测结果的量化值发送至模型训练模块；
其中，所述模型训练模块主要用于利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；
在一个优选的实施例中，所述模型训练模块训练预测四类检测结果的四个机器学习模型包括以下步骤：
步骤Q1：将样本历史数据以及荧光素历史数据中各项属性值进行量化，并合并成特征向量的形式；
步骤Q2：将特征向量分别输入至四个机器学习模型中，四个机器学习模型分别标记为M1、M2、M3以及M4；其中，机器学习模型M1、M2、M3以及M4分别用于根据特征向量预测成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度；
优选的，机器学习模型M1、M2、M3以及M4分别以每组特征向量所对应的预测成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度的量化值为输出，以真实的预测成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度作为预测目标；以对于预测目标的最小预测误差作为训练目标；
步骤Q3：预先为机器学习模型M1、M2、M3以及M4分别设置预测准确率阈值p1、p2、p3以及p4；在机器学习模型M1、M2、M3以及M4的预测准确率分别大于预测准确率阈值p1、p2、p3以及p4时，停止训练；优选的，所述机器学习模型M1、M2、M3以及M4可以为深度神经网络、深度信念网络以及SVM模型；
所述模型训练模块将训练完成的机器学习模型M1、M2、M3以及M4发送至检测结果预测模块；
其中，所述检测结果预测模块主要用于在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；
在一个优选的实施例中，所述检测结果预测模块对实验结果进行预测的方式为：
由实验人员输入待实验样本的样本数据，再根据实际实验经验设置荧光素数据；将样本数据与荧光素数据进行量化并合并为特征向量形式；将特征向量分别输入至机器学习模型M1、M2、M3以及M4中，获得预测的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类实验结果；
所述检测结果预测模块将预测实验结果发送至检测结果评估模块；
其中，所述检测结果评估模块主要用于对预测的实验结果进行评估；
可以理解的是，在实验人员实际进行实验时，需要综合考虑上述四类实验结果，以获得最合适的实验结果；
在一个优选的实施例中，所述检测结果评估模块对实验结果进行评估的方式为：
根据实际实验经验，为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度分别设置一个权重系数a、b、c以及d；并将每组实验结果的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度的预测值分别标记为W、X、Y、Z；计算每组实验结果的综合权重值K；其中，综合权重值K的计算公式为K=a*W+b*X+c*Y+d*Z；综合权重值作为实验人员在选择实验参数时的参考；具体的，实验人员可以选择综合权重值最大的一组特征向量作为实验参数。
实施例2
如图2所示，一种用于脑室检测的荧光标记方法，包括以下步骤：
步骤一：预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；
步骤二：对不同历史检测数据的组合生成的检测结果进行量化评估，生成每组荧光检测实验的四类检测结果的量化值；
步骤三：利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；
步骤四：在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；
步骤五：对预测的实验结果进行评估。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的用于脑室检测的荧光标记方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器（ROM）103、随机存取存储器（RAM）104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的用于脑室检测的荧光标记方法。用于脑室检测的荧光标记方法可例如包括以下步骤：包括以下步骤：步骤一：预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；步骤二：对不同历史检测数据的组合生成的检测结果进行量化评估，生成每组荧光检测实验的四类检测结果的量化值；步骤三：利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；步骤四：在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；步骤五：对预测的实验结果进行评估。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的用于脑室检测的荧光标记方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器（RAM）和高速缓冲存储器（cache）等。非易失性存储器例如可包括只读存储器（ROM）、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元（CPU）执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (12)
1.一种用于脑室检测的荧光标记系统，其特征在于，包括历史检测数据收集模块、历史结果评估模块、模型训练模块、检测结果预测模块以及检测结果评估模块；其中，各个模块之间通过电气和/或无线网络方式连接；
所述历史检测数据收集模块用于预先从实验室中收集脑室荧光检测的历史检测数据；并将收集的历史检测数据发送至模型训练模块，将其中的标记结果历史数据发送至历史结果评估模块；
所述历史结果评估模块用于对不同历史检测数据的组合生成的检测结果进行量化评估；并将每组荧光检测实验生成的四类检测结果的量化值发送至模型训练模块；
所述模型训练模块用于利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；并将训练完成的机器学习模型发送至检测结果预测模块；
所述检测结果预测模块用于在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；并将预测实验结果发送至检测结果评估模块；
所述检测结果评估模块用于对预测的实验结果进行综合评估。
2.根据权利要求1所述的一种用于脑室检测的荧光标记系统，其特征在于，所述历史检测数据包括样本历史数据、荧光素历史数据以及标记结果历史数据；
所述样本历史数据包括实验样本物种、脑容量大小、脑部结构以及脑室数据。
3.根据权利要求2所述的一种用于脑室检测的荧光标记系统，其特征在于，所述荧光素历史数据包括荧光素或荧光染料类型、标记细胞类型、标记细胞的效率以及标记的稳定性、使用的剂量和浓度以及注入脑室的方式；
所述标记结果历史数据包括荧光素注入脑室后的成像结果、荧光素对脑部的伤害数据以及荧光标记的深度。
4.根据权利要求3所述的一种用于脑室检测的荧光标记系统，其特征在于，所述历史结果评估模块对检测结果进行量化评估包括以下步骤：
步骤S1：将每次荧光检测的结果分为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类；
步骤S2：对于成像清晰度，将生成的荧光检测图像与实验样本所属物种的脑室结构图进行图像对比，计算出图像相似度；该图像相似度即作为成像清晰度的量化值；
步骤S3：对于清晰成像持续时长，预先设置成像清晰度阈值，统计荧光形成图像与实验样本所属物种的脑室的图像相似度大于成像清晰度阈值的时长；该时长即为清晰成像持续时长的量化值；
步骤S4：对于脑部伤害程度，预先设置检查周期N，每隔N次脑室实验后，对脑部伤害程度进行量化；将量化后的脑部伤害程度除以检查周期N，获得每次脑部伤害程度；该每次脑部伤害程度即为脑部伤害程度的量化值；
步骤S5：对于标记深度，从生成的荧光检测图像中根据像素值差异提取出荧光形成的图像，统计该荧光检测在脑室内标记的最大深度；该最大深度即为标记深度的量化值。
5.根据权利要求4所述的一种用于脑室检测的荧光标记系统，其特征在于，所述模型训练模块训练预测四类检测结果的四个机器学习模型包括以下步骤：
步骤Q1：将样本历史数据以及荧光素历史数据中各项属性值进行量化，并合并成特征向量的形式；
步骤Q2：将特征向量分别输入至四个机器学习模型中，四个机器学习模型分别标记为M1、M2、M3以及M4；其中，机器学习模型M1、M2、M3以及M4分别用于根据特征向量预测成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度；
步骤Q3：预先为机器学习模型M1、M2、M3以及M4分别设置预测准确率阈值p1、p2、p3以及p4；在机器学习模型M1、M2、M3以及M4的预测准确率分别大于预测准确率阈值p1、p2、p3以及p4时，停止训练。
6.根据权利要求5所述的一种用于脑室检测的荧光标记系统，其特征在于，所述机器学习模型为深度神经网络、深度信念网络以及SVM模型中的一种。
7.根据权利要求6所述的一种用于脑室检测的荧光标记系统，其特征在于，所述检测结果预测模块对实验结果进行预测的方式为：
由实验人员输入待实验样本的样本数据，再根据实际实验经验设置荧光素数据；将样本数据与荧光素数据进行量化并合并为特征向量形式；将特征向量分别输入至机器学习模型M1、M2、M3以及M4中，获得预测的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度四类实验结果。
8.根据权利要求7所述的一种用于脑室检测的荧光标记系统，其特征在于，所述检测结果评估模块对实验结果进行评估的方式为：
为成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度分别预先设置一个权重系数a、b、c以及d；并将每组实验结果的成像清晰度、清晰成像持续时长、脑部伤害程度以及标记深度的预测值分别标记为W、X、Y、Z；计算每组实验结果的综合权重值K。
9.根据权利要求8所述的一种用于脑室检测的荧光标记系统，其特征在于，综合权重值K的计算公式为K=a*W+b*X+c*Y+d*Z；综合权重值作为实验人员在选择实验参数时的参考。
10.一种用于脑室检测的荧光标记方法，其基于权利要求1-9任一项所述的一种用于脑室检测的荧光标记系统实现，其特征在于，包括以下步骤：
预先从实验室中收集脑室荧光检测的历史检测数据，用以进行综合的统计分析；
对不同历史检测数据的组合生成的检测结果进行量化评估，生成每组荧光检测实验的四类检测结果的量化值；
利用历史检测数据，训练出预测四类检测结果的四个机器学习模型；
在实际荧光实验前，对实验参数进行设置，并使用训练完成的机器学习模型对实验结果进行预测；
对预测的实验结果进行评估。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求10所述用于脑室检测的荧光标记方法。
12.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行在后台中执行权利要求10所述用于脑室检测的荧光标记方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310974095.6A CN116705215B (zh) | 2023-08-04 | 2023-08-04 | 一种用于脑室检测的荧光标记系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310974095.6A CN116705215B (zh) | 2023-08-04 | 2023-08-04 | 一种用于脑室检测的荧光标记系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705215A true CN116705215A (zh) | 2023-09-05 |
| CN116705215B CN116705215B (zh) | 2023-09-29 |
Family
ID=87843628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310974095.6A Active CN116705215B (zh) | 2023-08-04 | 2023-08-04 | 一种用于脑室检测的荧光标记系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705215B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648763A (zh) * | 2019-09-29 | 2020-01-03 | 江苏拉曼医疗设备有限公司 | 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备 |
| CN111458321A (zh) * | 2020-05-22 | 2020-07-28 | 南京诺源医疗器械有限公司 | 一种基于病变部位荧光反馈的诊断系统 |
| US20200273548A1 (en) * | 2019-02-21 | 2020-08-27 | Theator inc. | Video Used to Automatically Populate a Postoperative Report |
| CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
| CN112826457A (zh) * | 2020-12-31 | 2021-05-25 | 苏州爱琴生物医疗电子有限公司 | 基于脑部的体征信息检测装置、方法及相关设备 |
| CN113692624A (zh) * | 2019-02-14 | 2021-11-23 | 米尔维公司 | 用于确定受试者的妊娠相关状态的方法和系统 |
| CN114429058A (zh) * | 2020-10-28 | 2022-05-03 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
| CN114921521A (zh) * | 2022-04-07 | 2022-08-19 | 中国人民解放军东部战区疾病预防控制中心 | 一种基于深度卷积神经网络的食源性肠道致病菌检测方法 |
| CN114994342A (zh) * | 2013-02-18 | 2022-09-02 | 赛拉诺斯知识产权有限责任公司 | 用于多元分析的系统和方法 |
| WO2023143243A1 (zh) * | 2022-01-25 | 2023-08-03 | 杭州海康威视数字技术股份有限公司 | 自主学习方法、装置、电子设备及机器可读存储介质 |
-
2023
- 2023-08-04 CN CN202310974095.6A patent/CN116705215B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114994342A (zh) * | 2013-02-18 | 2022-09-02 | 赛拉诺斯知识产权有限责任公司 | 用于多元分析的系统和方法 |
| CN112292697A (zh) * | 2018-04-13 | 2021-01-29 | 弗里诺姆控股股份有限公司 | 用于生物样品的多分析物测定的机器学习实施方式 |
| CN113692624A (zh) * | 2019-02-14 | 2021-11-23 | 米尔维公司 | 用于确定受试者的妊娠相关状态的方法和系统 |
| US20200273548A1 (en) * | 2019-02-21 | 2020-08-27 | Theator inc. | Video Used to Automatically Populate a Postoperative Report |
| CN110648763A (zh) * | 2019-09-29 | 2020-01-03 | 江苏拉曼医疗设备有限公司 | 利用人工智能进行光谱分析以进行肿瘤评估的方法及设备 |
| CN111458321A (zh) * | 2020-05-22 | 2020-07-28 | 南京诺源医疗器械有限公司 | 一种基于病变部位荧光反馈的诊断系统 |
| CN114429058A (zh) * | 2020-10-28 | 2022-05-03 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、预测系统 |
| CN112826457A (zh) * | 2020-12-31 | 2021-05-25 | 苏州爱琴生物医疗电子有限公司 | 基于脑部的体征信息检测装置、方法及相关设备 |
| WO2023143243A1 (zh) * | 2022-01-25 | 2023-08-03 | 杭州海康威视数字技术股份有限公司 | 自主学习方法、装置、电子设备及机器可读存储介质 |
| CN114921521A (zh) * | 2022-04-07 | 2022-08-19 | 中国人民解放军东部战区疾病预防控制中心 | 一种基于深度卷积神经网络的食源性肠道致病菌检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龙犇: "大体积脑组织的整体染色方法及应用研究", 《中国博士学位论文全文数据库 医药卫生科技辑》, no. 2, pages 054 - 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705215B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840588B (zh) | 神经网络模型训练方法、装置、计算机设备及存储介质 | |
| US11907809B2 (en) | Information processing apparatus, program, and information processing method | |
| CN110352660B (zh) | 一种脱绒棉种活力快速无损检测信息处理方法和装置 | |
| CN109891508B (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
| CN109934130A (zh) | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 | |
| CN107480028B (zh) | 磁盘可使用的剩余时长的获取方法及装置 | |
| CN108647643A (zh) | 一种基于深度学习的填料塔液泛状态在线辨识方法 | |
| CN110046570B (zh) | 一种粮仓粮食库存动态监管方法和装置 | |
| CN106815639A (zh) | 流数据的异常点检测方法及装置 | |
| CN110880024B (zh) | 基于判别核慢特征分析的非线性过程故障辨识方法及系统 | |
| CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
| CN109711707B (zh) | 一种船舶动力装置综合状态评估方法 | |
| CN115660513B (zh) | 一种基于水利工程渡槽变形的监测方法及系统 | |
| CN110705531A (zh) | 缺失字符检测、缺失字符检测模型的建立方法及装置 | |
| CN115130887B (zh) | 水库大坝环境影响评价方法和装置、电子设备和存储介质 | |
| CN116705215B (zh) | 一种用于脑室检测的荧光标记系统 | |
| KR20220049573A (ko) | 거리 기반 학습 신뢰 모델 | |
| CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN112418546B (zh) | 明渠闸门前浮冰状态预测系统及其构建方法与应用 | |
| CN106547723A (zh) | 一种预测稀疏矩阵运算能耗的方法 | |
| CN117473372A (zh) | 基于神经网络的蛇伤医疗费用预测方法、装置及电子设备 | |
| CN106022388A (zh) | 一种多特征融合的加注泵异常工况检测方法 | |
| CN113111729B (zh) | 人员识别模型的训练方法、识别方法、系统、装置及介质 | |
| CN107943916A (zh) | 一种基于在线分类的网页异常检测方法 | |
| CN114581697A (zh) | 一种基于示功图的采油机井供液能力监测方法 |
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 |