CN117575999B - 一种基于荧光标记技术的病灶预测系统 - Google Patents

一种基于荧光标记技术的病灶预测系统 Download PDF

Info

Publication number
CN117575999B
CN117575999B CN202311433809.9A CN202311433809A CN117575999B CN 117575999 B CN117575999 B CN 117575999B CN 202311433809 A CN202311433809 A CN 202311433809A CN 117575999 B CN117575999 B CN 117575999B
Authority
CN
China
Prior art keywords
lesion
image
prediction
fluorescent
module
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.)
Active
Application number
CN202311433809.9A
Other languages
English (en)
Other versions
CN117575999A (zh
Inventor
麦婉诗
冯明红
龙健灵
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.)
Guangzhou Shengan Medical Laboratory Co ltd
Original Assignee
Guangzhou Shengan Medical Laboratory Co ltd
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 Guangzhou Shengan Medical Laboratory Co ltd filed Critical Guangzhou Shengan Medical Laboratory Co ltd
Priority to CN202311433809.9A priority Critical patent/CN117575999B/zh
Publication of CN117575999A publication Critical patent/CN117575999A/zh
Application granted granted Critical
Publication of CN117575999B publication Critical patent/CN117575999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/22Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/235Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on user input or interaction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/44Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10064Fluorescence image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明提供了一种基于荧光标记技术的病灶预测系统,其特征在于,包括标记模块、成像模块、图像处理模块和分析预测模块;所述标记模块用于对收集的病人的组织样本进行荧光标记生成标记样本;所述成像模块用于对所述标记样本进行成像处理形成荧光图像;所述图像处理模块用于对荧光图像进行处理和分析;所述分析预测模块用于将荧光图像处理信息和临床数据进行整合分析实现对病灶的预测;本发明通过荧光标记技术、图像处理技术和预测模型,在全面的获取有关病灶精确信息的基础上,可实时对病灶进行预测,且够发现和定位微小或隐藏的病灶,提供更敏感的病灶预测。

Description

一种基于荧光标记技术的病灶预测系统
技术领域
本发明涉及病灶预测技术领域,尤其涉及一种基于荧光标记技术的病灶预测系统。
背景技术
病灶预测是医学领域中的重要课题,旨在帮助医生准确地检测和定位病变,并提供有效的诊断和治疗方案。传统的病灶预测方法依赖于医学影像技术,如X射线、CT、MRI等,但在某些情况下,这些方法可能无法提供足够的准确性和敏感性;荧光标记技术可以利用荧光标记物的特性,在病变区域发出荧光信号,通过显微镜或其他成像设备捕捉荧光图像,并应用图像分析算法对图像进行处理和分析,从而可实现病灶的位置的预测和定量评估。
查阅相关已公开技术方案,如CN110751179A现有技术公开了一种病灶信息获取方法、病灶预测模型的训练方法及超声设备,获取方法包括:获取超声图像;基于所述超声图像,利用病灶预测模型预测超声图像中的病灶区域及病灶类别;利用预测出的病灶区域,确定与预测出的病灶区域对应的第一目标病灶区域;获取预测出的病灶类别对应的第一目标病灶类别;第一目标病灶区域和第一目标病灶类别为超声图像的病灶信息。对于获取到的超声图像先利用病灶预测模型预测该超声图像中的病灶区域及病灶类别,对病灶信息的获取形成辅助引导,以减轻病灶信息获取的工作量;同时结合人工调节,从而可以得到精确的病灶信息;另一种典型的公开号为CN112801168A的现有技术公开了一种肿瘤影像的病灶区域预测分析方法、系统及终端设备,该病灶区域预测分析方法包括:影像数据、诊断文本以及病史数据的采集和肿瘤病灶区域预测分析,具体为:对采集的数据进行预处理,通过构建的融合加权提取网络模型提取图像特征;通过将病人的病史特征-年龄、性别、卡氏性能状态、表观肿瘤生长速度和功能恶化速度,构建一维向量并使用构建的动态卷积核的文本特征提取网络模型提取其病史特征;将使用CBOW网络模型得到的文本特征与病史特征、图像特征融合后,经过构建的双层加权预测分析网络模型进行病灶区域预测分析。该方案能显著提高肿瘤影像的分类预测效果;上述第一种方案的分辨率有限,超声波在组织中的传播和反射会受到声波的衍射和散射影响,从而无法识别出小型病灶;上述第二种方案需要大量标记数据对模型训练,且对于预测的实时性较低。
发明内容
本发明的目的在于,针对目前所存在的不足,提出了一种基于荧光标记技术的病灶预测系统。
本发明采用如下技术方案:
一种基于荧光标记技术的病灶预测系统,其特征在于,包括标记模块、成像模块、图像处理模块和分析预测模块;
所述标记模块用于对收集的病人的组织样本进行荧光标记生成标记样本;所述成像模块用于对所述标记样本进行成像处理形成荧光图像;所述图像处理模块用于对荧光图像进行处理和分析;所述分析预测模块用于将荧光图像处理信息和临床数据进行整合分析实现对病灶的预测;
所述标记模块包括样本处理单元、试剂选择单元和结合单元,所述样本处理单元用于对收集的病人的组织样本进行预处理,所述预处理包括采集、固定、切片和染色步骤;所述试剂选择单元用于根据病人病况选择对应荧光试剂;所述结合单元用于将预处理后的组织样本与荧光试剂结合生成标记样本;
所述图像处理模块对于荧光图像的处理和分析包括以下步骤:
S11:图像分割:使用图像分割算法将荧光图像中病变区域分离出来;所述图像分割算法包括:对荧光图像进行灰度处理:
其中,为荧光图像中某像素点坐标,/>为该像素点的灰度值,/>为该像素点的红色通道亮度值,/>为该像素点的绿色通道亮度值,/>为该像素点的蓝色通道亮度值;/>、/>和/>分别为对应颜色通道的权重因子,满足/>,其数值可根据所选择的荧光试剂的不同而自行设定;
设置合适的分割阈值,将荧光图像中各像素点的灰度值与分割阈值相比较,从而将荧光图像分割成灰度值大于分割阈值的部分和灰度值小于分割阈值的部分;
将荧光图像中灰度值大于分割阈值的部分进行平滑和区域填充处理,生成病变区域;
S12:获取病变形态参数:计算所述病变区域的病变占比和紧凑度;
所述病变区域的病变占比通过下式计算:
其中,为病变区域中所有像素点数目,/>为荧光图像中所有像素点数目;
所述紧凑度通过下式计算:
其中,为病变区域周长;/>为病变区域面积;所述病变形态参数包括病变区域的病变占比和紧凑度;
S13:获取病变强度参数:计算病变区域的荧光强度
其中,为病变区域的荧光强度,/>为病变区域中像素点的平均灰度值,/>为病变区域中像素点的最大灰度值,/>为病变区域像素点中灰度值大于平均灰度值的像素点数目,/>为病变区域中所有像素点数目,/>为病变区域像素点中灰度值大于平均灰度值的第/>个像素点的灰度值,/>为病变区域所有像素点中第/>个像素点的灰度值;所述病变强度参数即为病变区域的荧光强度;
进一步的,所述分析预测模块包括模型建立单元、临床病变点设置单元和预测单元;所述模型建立单元用于建立人体预测模型,所述人体预测模型包括人体模型框架与器官模型,以及设置在人体预测模型上的坐标系;所述临床病变点设置单元用于依据病人的临床数据与先验医学知识以辅助医生在人体预测模型上设置多个病灶中心点;所述预测单元通过对病灶中心点和荧光图像处理信息进行分析从而实现对病灶的预测;
进一步的,所述预测单元通过将获取的病人组织样本所在位置与人体预测模型的坐标系相对应从而获取各荧光图像所在的组织样本在人体预测模型中的位置信息;通过图像处理模块获取各荧光图像的图像处理信息;所述各荧光图像所在的组织样本在人体预测模型中的位置信息即为获取病人的组织样本所在位置对应的人体预测模型中的位置;所述图像处理信息包括病变形态参数和病变强度参数;
所述预测单元通过对每个病灶中心点的影响力值进行从而对病人病灶进行预测:
其中,为所获取的病人组织样本总数,/>为第/>个病人组织样本与该病灶中心点间的距离,/>为第/>个病人组织样本病变区域的病变占比;/>为第/>个病人组织样本病变区域的紧凑度;/>为第/>个病人组织样本病变区域的荧光强度;/>、/>和/>为权重因子,医生可根据丰富医疗经验与疾病种类自行设定。
本发明所取得的有益效果是:
本发明通过标记模块使用荧光标记技术对组织样本进行荧光染色或标记,可以在显微镜下直接观察荧光信号的位置和分布情况;且荧光标记技术可以实时地观察和监测荧光信号,使系统可以实时的对病灶进行预测,这对于一些需要及时决策或随访的临床场景非常重要,可以提供即时的病灶预测结果;
通过图像处理模块对荧光图像进行分析,通过病变区域的病变占比、紧凑度和荧光强度更精确的表达出病变的形态、大小和分布信息,为病灶预测提供了更全面的病灶信息,有助于做出更精确的病灶预测;
本系统使用的荧光显微镜具有较高的灵敏度和分辨率,可以检测低浓度的荧光信号和观察微小的细胞或组织结构变化。这使得荧光标记技术能够发现和定位微小或隐藏的病灶,提供更敏感的病灶预测;
通过预测单元对各个病灶中心点的影响力值进行比较分析,从而可以可视化的对病灶最可能出现的位置和病灶分布进行评估。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制,而是将重点放在示出实施例的原理上。在不同的视图中,相同的附图标记指定对应的部分。
图1为本发明整体模块示意图。
图2为本发明图像处理模块对荧光图像处理流程示意图。
图3为本发明人体预测模型建立流程示意图。
图4为本发明人体预测模型上坐标系构建流程图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明;应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明;对于本领域技术人员而言,在查阅以下详细描述之后,本实施例的其它系统、方法和/或特征将变得显而易见;旨在所有此类附加的系统、方法、特征和优点都包括在本说明书内;包括在本发明的范围内,并且受所附权利要求书的保护;在以下详细描述描述了所公开的实施例的另外的特征,并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或组件必须具有特定的方位,以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
实施例一。
如图1和图2所示,本实施例提供一种基于荧光标记技术的病灶预测系统,其特征在于,包括标记模块、成像模块、图像处理模块和分析预测模块;
所述标记模块用于对收集的病人的组织样本进行荧光标记生成标记样本;所述成像模块用于对所述标记样本进行成像处理形成荧光图像;所述图像处理模块用于对荧光图像进行处理和分析;所述分析预测模块用于将荧光图像处理信息和临床数据进行整合分析实现对病灶的预测;
所述标记模块包括样本处理单元、试剂选择单元和结合单元,所述样本处理单元用于对收集的病人的组织样本进行预处理,所述预处理包括采集、固定、切片和染色步骤;所述试剂选择单元用于根据病人病况选择对应荧光试剂;所述结合单元用于将预处理后的组织样本与荧光试剂结合生成标记样本;
所述图像处理模块对于荧光图像的处理和分析包括以下步骤:
S11:图像分割:使用图像分割算法将荧光图像中病变区域分离出来;所述图像分割算法包括:对荧光图像进行灰度处理:
其中,为荧光图像中某像素点坐标,/>为该像素点的灰度值,/>为该像素点的红色通道亮度值,/>为该像素点的绿色通道亮度值,/>为该像素点的蓝色通道亮度值;/>、/>和/>分别为对应颜色通道的权重因子,满足/>,其数值可根据所选择的荧光试剂的不同而自行设定;
设置合适的分割阈值,将荧光图像中各像素点的灰度值与分割阈值相比较,从而将荧光图像分割成灰度值大于分割阈值的部分和灰度值小于分割阈值的部分;
将荧光图像中灰度值大于分割阈值的部分进行平滑和区域填充处理,生成病变区域;
S12:获取病变形态参数:计算所述病变区域的病变占比和紧凑度;
所述病变区域的病变占比通过下式计算:
其中,为病变区域中所有像素点数目,/>为荧光图像中所有像素点数目;
所述紧凑度通过下式计算:
其中,为病变区域周长;/>为病变区域面积;所述病变形态参数包括病变区域的病变占比和紧凑度;
S13:获取病变强度参数:计算病变区域的荧光强度
其中,为病变区域的荧光强度,/>为病变区域中像素点的平均灰度值,/>为病变区域中像素点的最大灰度值,/>为病变区域像素点中灰度值大于平均灰度值的像素点数目,/>为病变区域中所有像素点数目,/>为病变区域像素点中灰度值大于平均灰度值的第/>个像素点的灰度值,/>为病变区域所有像素点中第/>个像素点的灰度值;所述病变强度参数即为病变区域的荧光强度;
进一步的,所述分析预测模块包括模型建立单元、临床病变点设置单元和预测单元;所述模型建立单元用于建立人体预测模型,所述人体预测模型包括人体模型框架与器官模型,以及设置在人体预测模型上的坐标系;所述临床病变点设置单元用于依据病人的临床数据与先验医学知识以辅助医生在人体预测模型上设置多个病灶中心点;所述预测单元通过对病灶中心点和荧光图像处理信息进行分析从而实现对病灶的预测;
进一步的,所述预测单元通过将获取的病人组织样本所在位置与人体预测模型的坐标系相对应从而获取各荧光图像所在的组织样本在人体预测模型中的位置信息;通过图像处理模块获取各荧光图像的图像处理信息;所述各荧光图像所在的组织样本在人体预测模型中的位置信息即为获取病人的组织样本所在位置对应的人体预测模型中的位置;所述图像处理信息包括病变形态参数和病变强度参数;
所述预测单元通过对每个病灶中心点的影响力值进行从而对病人病灶进行预测:
其中,为所获取的病人组织样本总数,/>为第/>个病人组织样本与该病灶中心点间的距离,/>为第/>个病人组织样本病变区域的病变占比;/>为第/>个病人组织样本病变区域的紧凑度;/>为第/>个病人组织样本病变区域的荧光强度;/>、/>和/>为权重因子,医生可根据丰富医疗经验与疾病种类自行设定。
实施例二。
本实施例应当理解为至少包含前述任一一个实施例的全部特征,并在其基础上进一步改进;
本实施例提供一种基于荧光标记技术的病灶预测系统,其特征在于,包括标记模块、成像模块、图像处理模块和分析预测模块;
所述标记模块用于对收集的病人的组织样本进行荧光标记生成标记样本;所述成像模块用于对所述标记样本进行成像处理形成荧光图像;所述图像处理模块用于对荧光图像进行处理和分析;所述分析预测模块用于将荧光图像处理信息和临床数据进行整合分析实现对病灶的预测;
所述标记模块包括样本处理单元、试剂选择单元和结合单元,所述样本处理单元用于对收集的病人的组织样本进行预处理,所述预处理包括采集、固定、切片和染色步骤;所述试剂选择单元用于根据病人病况选择对应荧光试剂;所述结合单元用于将预处理后的组织样本与荧光试剂结合生成标记样本;
所述成像模块使用荧光显微镜或其他荧光检测设备对标记样本进行成像处理形成荧光图像;
所述图像处理模块对于荧光图像的处理和分析包括以下步骤:
S11:使用图像分割算法将荧光图像中病变区域分离出来;所述图像分割算法包括:对荧光图像进行灰度处理:
其中,为荧光图像中某像素点坐标,/>为该像素点的灰度值,/>为该像素点的红色通道亮度值,/>为该像素点的绿色通道亮度值,/>为该像素点的蓝色通道亮度值;/>、/>和/>分别为对应颜色通道的权重因子,满足/>,其数值可根据所选择的荧光试剂的不同而自行设定;
设置合适的分割阈值,将荧光图像中各像素点的灰度值与分割阈值相比较,从而将荧光图像分割成灰度值大于分割阈值的部分和灰度值小于分割阈值的部分;
将荧光图像中灰度值大于分割阈值的部分进行平滑和区域填充处理,生成病变区域;
S12:获取病变形态参数:计算所述病变区域的病变占比和紧凑度,所述病变占比反映了病变的严重程度,所述紧凑度反映了病变的扩散程度;
所述病变区域的病变占比通过下式计算:
其中,为病变区域中所有像素点数目,/>为荧光图像中所有像素点数目;
所述紧凑度通过下式计算:
其中,为病变区域周长;/>为病变区域面积;所述病变区域的周长和面积通过下述方式获取:通过轮廓提取算法,如边缘追踪方法或形态活动轮廓方法,从分割后的病变区域中提取出精确的边界轮廓;通过边界轮廓计算病变区域的周长和病变区域的面积;所述病变形态参数包括病变区域的病变占比和紧凑度;
S13:获取病变强度参数:计算病变区域的荧光强度
其中,为病变区域的荧光强度,/>为病变区域中像素点的平均灰度值,/>为病变区域中像素点的最大灰度值,/>为病变区域像素点中灰度值大于平均灰度值的像素点数目,/>为病变区域中所有像素点数目,/>为病变区域像素点中灰度值大于平均灰度值的第/>个像素点的灰度值,/>为病变区域所有像素点中第/>个像素点的灰度值;所述病变强度参数即为病变区域的荧光强度;
所述分析预测模块包括模型建立单元、临床病变点设置单元和预测单元;
所述模型建立单元通过建立一个人体预测模型,从而可以对人体结构和病变位置实现可视化和定量分析;所述人体预测模型的建立具体包括以下步骤:
S21:建立人体模型框架:使用计算机辅助设计软件或三维建模工具创建一个数字化的人体模型框架;所述人体模型框架通过大量先验知识来精确地描述人体的形状和结构,所述先验知识包括实测人体数据、解剖学知识和人体图像数据;所述模型框架包括人体的头部、四肢和躯干基本部分;
S22:建立器官模型:获取大量医学影像数据,包括人体MRI(磁共振成像)和CT(计算机断层扫描)图像;通过这些医学影像数据确定人体内部结构器官的详细信息并建立器官模型;所述详细信息包括各器官的位置、大小和形状;
S23:三维重建融合:使用三维重建技术,将各个器官模型与人体框架模型进行融合;通过对人体框架模型和器官模型的位置、姿态和尺寸进行调整和匹配,使上述模型相吻合,从而形成一个完整的人体预测模型;
S24:坐标系构建:在人体预测模型上设置坐标系,从而可以为后续的数据分析提供一个准确的参考框架;所述坐标系的构建包括以下步骤:
S241:确定原点位置:在人体预测模型上将心脏的标准解剖点设为原点;
S242:建立坐标轴:根据原点位置,确定三个坐标轴(X、Y、Z)的方向和范围;其中X轴与身体的左右方向对应,Y轴与前后方向对应,Z轴与上下方向对应;
S243:坐标轴定位:在人体预测模型中,将坐标轴以箭头或其他形式绘制出来,以显示各个轴的方向和位置;
S25:数据可视化:将所述人体预测模型和坐标系进行数据可视化;以便可直观地展示人体结构和病变位置;所述数据可视化可通过渲染技术和图形显示来实现,使人体预测模型和坐标系在三维空间中可视化;
所述临床病变点设置单元用于依据病人的临床数据与先验医学知识以辅助医生在人体预测模型上设置多个病灶中心点;所述临床病变点设置单元包括数据接口、点位设置处理器和交互界面,所述数据接口用于接收病人的临床数据和先验医学知识;所述病人的临床数据包括病人医学影像数据、实验结果和其他诊断信息;这些临床数据可以是二维或三维的,并包含有关病灶可能存在的线索;所述先验医学知识包括各种疾病在人体中常见的发生位置和特征;所述点位设置处理器用于根据临床数据和先验医学知识以在人体预测模型上提供一些可能存在的病灶中心点;所述交互界面用于进行交互式的病灶中心点设置;医生可通过点击人体预测模型使用坐标系来选择感兴趣的区域,并在该区域设定最终的病灶中心点;
所述系统还包括知识获取模块,所述知识获取模块用于获取病人的临床数据,和从医学知识数据库或其他可靠数据源获取模型建立单元和临床病变点设置单元所需的先验知识、医学影像数据和先验医学知识;
所述预测单元通过将获取的病人组织样本所在位置与人体预测模型的坐标系相对应从而获取各荧光图像所在的组织样本在人体预测模型中的位置信息;通过图像处理模块获取各荧光图像的图像处理信息;所述各荧光图像所在的组织样本在人体预测模型中的位置信息即为获取病人的组织样本所在位置对应的人体预测模型中的位置;所述图像处理信息包括病变形态参数和病变强度参数;
所述预测单元通过对每个病灶中心点的影响力值进行从而对病人病灶进行预测:
其中,为所获取的病人组织样本总数,/>为第/>个病人组织样本与该病灶中心点间的距离,/>为第/>个病人组织样本病变区域的病变占比;/>为第/>个病人组织样本病变区域的紧凑度;/>为第/>个病人组织样本病变区域的荧光强度;/>、/>和/>为权重因子,医生可根据丰富医疗经验与疾病种类自行设定;
医生可对各个病灶中心点的影响力值进行比较分析,从而可以可视化的对病灶最可能出现的位置和病灶分布进行评估。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。

Claims (1)

1.一种基于荧光标记技术的病灶预测系统,其特征在于,包括标记模块、成像模块、图像处理模块和分析预测模块;
所述标记模块用于对收集的病人的组织样本进行荧光标记生成标记样本;所述成像模块用于对所述标记样本进行成像处理形成荧光图像;所述图像处理模块用于对荧光图像进行处理和分析;所述分析预测模块用于将荧光图像处理信息和临床数据进行整合分析实现对病灶的预测;
所述标记模块包括样本处理单元、试剂选择单元和结合单元,所述样本处理单元用于对收集的病人的组织样本进行预处理,所述预处理包括采集、固定、切片和染色步骤;所述试剂选择单元用于根据病人病况选择对应荧光试剂;所述结合单元用于将预处理后的组织样本与荧光试剂结合生成标记样本;
所述图像处理模块对于荧光图像的处理和分析包括以下步骤:
S11:图像分割:使用图像分割算法将荧光图像中病变区域分离出来;所述图像分割算法包括:对荧光图像进行灰度处理:
其中,为荧光图像中某像素点坐标,/>为该像素点的灰度值,/>为该像素点的红色通道亮度值,/>为该像素点的绿色通道亮度值,/>为该像素点的蓝色通道亮度值;/>、/>和/>分别为对应颜色通道的权重因子,满足/>,其数值可根据所选择的荧光试剂的不同而自行设定;
设置合适的分割阈值,将荧光图像中各像素点的灰度值与分割阈值相比较,从而将荧光图像分割成灰度值大于分割阈值的部分和灰度值小于分割阈值的部分;
将荧光图像中灰度值大于分割阈值的部分进行平滑和区域填充处理,生成病变区域;
S12:获取病变形态参数:计算所述病变区域的病变占比和紧凑度;
所述病变区域的病变占比通过下式计算:
其中,为病变区域中所有像素点数目,/>为荧光图像中所有像素点数目;
所述紧凑度通过下式计算:
其中,为病变区域周长;/>为病变区域面积;所述病变形态参数包括病变区域的病变占比和紧凑度;
S13:获取病变强度参数:计算病变区域的荧光强度
其中,为病变区域的荧光强度,/>为病变区域中像素点的平均灰度值,/>为病变区域中像素点的最大灰度值,/>为病变区域像素点中灰度值大于平均灰度值的像素点数目,/>为病变区域中所有像素点数目,/>为病变区域像素点中灰度值大于平均灰度值的第/>个像素点的灰度值,/>为病变区域所有像素点中第/>个像素点的灰度值;所述病变强度参数即为病变区域的荧光强度;
所述分析预测模块包括模型建立单元、临床病变点设置单元和预测单元;所述模型建立单元用于建立人体预测模型,所述人体预测模型包括人体模型框架与器官模型,以及设置在人体预测模型上的坐标系;所述临床病变点设置单元用于依据病人的临床数据与先验医学知识以辅助医生在人体预测模型上设置多个病灶中心点;所述预测单元通过对病灶中心点和荧光图像处理信息进行分析从而实现对病灶的预测;
所述预测单元通过将获取的病人组织样本所在位置与人体预测模型的坐标系相对应从而获取各荧光图像所在的组织样本在人体预测模型中的位置信息;通过图像处理模块获取各荧光图像的图像处理信息;所述各荧光图像所在的组织样本在人体预测模型中的位置信息即为获取病人的组织样本所在位置对应的人体预测模型中的位置;所述图像处理信息包括病变形态参数和病变强度参数;
所述预测单元通过对每个病灶中心点的影响力值进行从而对病人病灶进行预测:
其中,为所获取的病人组织样本总数,/>为第/>个病人组织样本与该病灶中心点间的距离,/>为第/>个病人组织样本病变区域的病变占比;/>为第/>个病人组织样本病变区域的紧凑度;/>为第/>个病人组织样本病变区域的荧光强度;/>、/>和/>为权重因子,医生可根据丰富医疗经验与疾病种类自行设定。
CN202311433809.9A 2023-11-01 2023-11-01 一种基于荧光标记技术的病灶预测系统 Active CN117575999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311433809.9A CN117575999B (zh) 2023-11-01 2023-11-01 一种基于荧光标记技术的病灶预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311433809.9A CN117575999B (zh) 2023-11-01 2023-11-01 一种基于荧光标记技术的病灶预测系统

Publications (2)

Publication Number Publication Date
CN117575999A CN117575999A (zh) 2024-02-20
CN117575999B true CN117575999B (zh) 2024-04-16

Family

ID=89887167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311433809.9A Active CN117575999B (zh) 2023-11-01 2023-11-01 一种基于荧光标记技术的病灶预测系统

Country Status (1)

Country Link
CN (1) CN117575999B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN112634257A (zh) * 2020-12-31 2021-04-09 常州奥创医疗科技有限公司 一种真菌荧光检测方法
CN114119602A (zh) * 2021-12-20 2022-03-01 深圳科亚医疗科技有限公司 对医学图像进行对象分析的方法、装置和存储介质
CN114727027A (zh) * 2022-03-09 2022-07-08 浙江华诺康科技有限公司 曝光参数调节方法、装置、计算机设备和存储介质
WO2022155096A1 (en) * 2021-01-12 2022-07-21 University Of Washington Apparatuses, systems and methods for generating synethettc image sets
EP4120187A1 (en) * 2021-07-16 2023-01-18 Universitätsklinikum Hamburg-Eppendorf A method for measuring a prognostic marker in prostate cancer
WO2023103467A1 (zh) * 2021-12-09 2023-06-15 杭州海康慧影科技有限公司 图像处理方法、装置及设备
CN116568218A (zh) * 2020-11-20 2023-08-08 帕伊医疗成像有限公司 基于病变壁剪切应力描述符计算心肌梗塞可能性的方法和系统
CN116596925A (zh) * 2023-07-17 2023-08-15 广州盛安医学检验有限公司 一种基于荧光扫描影像技术的妇科阴道菌群估算系统
CN116712042A (zh) * 2023-08-07 2023-09-08 广州盛安医学检验有限公司 一种荧光影像的扫描成像系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN116568218A (zh) * 2020-11-20 2023-08-08 帕伊医疗成像有限公司 基于病变壁剪切应力描述符计算心肌梗塞可能性的方法和系统
CN112634257A (zh) * 2020-12-31 2021-04-09 常州奥创医疗科技有限公司 一种真菌荧光检测方法
WO2022155096A1 (en) * 2021-01-12 2022-07-21 University Of Washington Apparatuses, systems and methods for generating synethettc image sets
EP4120187A1 (en) * 2021-07-16 2023-01-18 Universitätsklinikum Hamburg-Eppendorf A method for measuring a prognostic marker in prostate cancer
WO2023103467A1 (zh) * 2021-12-09 2023-06-15 杭州海康慧影科技有限公司 图像处理方法、装置及设备
CN114119602A (zh) * 2021-12-20 2022-03-01 深圳科亚医疗科技有限公司 对医学图像进行对象分析的方法、装置和存储介质
CN114727027A (zh) * 2022-03-09 2022-07-08 浙江华诺康科技有限公司 曝光参数调节方法、装置、计算机设备和存储介质
CN116596925A (zh) * 2023-07-17 2023-08-15 广州盛安医学检验有限公司 一种基于荧光扫描影像技术的妇科阴道菌群估算系统
CN116712042A (zh) * 2023-08-07 2023-09-08 广州盛安医学检验有限公司 一种荧光影像的扫描成像系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络与深度特征融合的糖尿病视网膜红色病灶检测算法研究;刘洋洋;基于卷积神经网络与深度特征融合的糖尿病视网膜红色病灶检测算法研究;20181201;全文 *
自体荧光诊断技术的研究进展及发展方向;刘刚;颜国正;;生物医学工程学杂志;20151225(第06期);全文 *

Also Published As

Publication number Publication date
CN117575999A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN109583440B (zh) 结合影像识别与报告编辑的医学影像辅助诊断方法及系统
EP3826544B1 (en) Ultrasound system with an artificial neural network for guided liver imaging
CN110338844B (zh) 三维成像数据的显示处理方法和三维超声成像方法及系统
EP3806744B1 (en) Immediate workup
CN110473186B (zh) 一种基于医学图像的检测方法、模型训练的方法及装置
CN113781439B (zh) 超声视频病灶分割方法及装置
CN109923554A (zh) 图像处理
EP2298176A1 (en) Medical image processing device and method for processing medical image
CN111227864A (zh) 使用超声图像利用计算机视觉进行病灶检测的方法与装置
JP2003225231A (ja) 肺疾患検出のための方法及びシステム
CN107106128B (zh) 用于分割解剖目标的超声成像装置和方法
CN111214255A (zh) 一种医学超声图像计算机辅助诊断方法
CN114782307A (zh) 基于深度学习的增强ct影像直肠癌分期辅助诊断系统
EP2116974A1 (en) Statistics collection for lesion segmentation
CN112508884A (zh) 一种癌变区域综合检测装置及方法
CN111402231B (zh) 一种用于肺部ct影像质量的自动评估系统及方法
JP2000350722A (ja) 器官の注目する要素の配置および三次元表現の方法
CN117575999B (zh) 一种基于荧光标记技术的病灶预测系统
US20230137369A1 (en) Aiding a user to perform a medical ultrasound examination
JP2024501181A (ja) 超音波画像取得、追跡、及びレビュー
EP4443395A1 (en) Method for rendering complex models of organs with mesh extrusion for enhanced depth perception
WO2022141085A1 (zh) 超声检测方法和超声成像系统
CN118717171A (zh) 乳腺超声成像方法及超声成像系统
Sajid et al. Spatial Awareness of Cancer Cells Using Segmentation Process
CN118736292A (zh) 一种基于超声的卵巢附件肿块辅助诊断的方法、设备及程序产品

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