CN113222887A - 基于深度学习的纳米铁标记神经干细胞示踪的方法 - Google Patents
基于深度学习的纳米铁标记神经干细胞示踪的方法 Download PDFInfo
- Publication number
- CN113222887A CN113222887A CN202110235754.5A CN202110235754A CN113222887A CN 113222887 A CN113222887 A CN 113222887A CN 202110235754 A CN202110235754 A CN 202110235754A CN 113222887 A CN113222887 A CN 113222887A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- neural stem
- iron
- nano
- 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.)
- Pending
Links
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000001178 neural stem cell Anatomy 0.000 title claims abstract description 38
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 37
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 8
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000011476 stem cell transplantation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 abstract description 3
- 210000000130 stem cell Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000002601 radiography Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及了磁共振影像深度学习和神经生物交叉学科领域,尤其是涉及了基于深度学习的纳米铁标记神经干细胞示踪的方法,包括如下步骤:S1:利用磁共振成像技术生成纳米铁标记的神经干细胞图像;S2:利用基于深度学习影像组学方法,获得了影像组学特征,得到潜在的多个候选图像;S3:在基于深度学习影像组学时,使用卷积神经网络对纳米铁标记的神经干细胞进行识别;S4:将一个三维卷积核的过滤盒顺利的选定肿瘤区域;S5:利用改良的费舍尔向量编码深度过滤影像数据;S6:利用费舍尔矢量编码,得到输入影像的纳米铁标记的神经干细胞分布情况。通过影像组学的深度学习精准的掌握细胞的位置,具有稳定、高效、自动、无损等特点。
Description
技术领域
本发明涉及了磁共振影像深度学习和神经生物交叉学科领域,尤其是涉及了基于深度学习的纳米铁标记神经干细胞示踪的方法。
背景技术
影像组学(Radiomics)是通过采用了一系列高通量的定性和定量分析从医学影像中获取预测或预后信息的图像特征的一种新兴的方法。最近,影像组学已经被用于分析各种医学影像,并提供了与患者结果相关的信息,不同疾病中的表型和基因蛋白特征。后期开发的基于深度学习影像组学方法Deep Learning-based Radiomics(DLR)。基于深度学习影像组学方法DLR通过对基于图像分割的深度神经网络的信息进行规范化,获得了影像组学特征。通过卷积神经网络获得的更准确的分割结果,可以提取更多的信息。与传统的计算特性不同,卷积神经网络的特色是使用卷积内核的操作来保存大量的全局空间信息。事实上,卷积神经网络的特性在许多领域比传统计算的特性表现出更好的性能,比如场景识别、域适应和细粒度识别。最近,卷积神经网络的特性显示了纹理属性识别的有希望的结果,而卷积神经网络优于传统方法超过10%。
近年来,随着深度学习技术的飞速发展,其在视觉追踪领域已经得到成功应用,其强大的特征学习能力为实现神经干细胞示踪提供了条件,为本发明设计基于深度学习技术的纳米铁标记的神经干细胞示踪方法提供了有力支撑。为工程和医学的学科交叉得到很好的发展和应用。
发明内容
本发明的目的在于提供了基于深度学习的纳米铁标记神经干细胞示踪的方法,其采用深度学习的方法进行分析、提取、识别、特征计算,最终具有精准示踪、识别准确率高等特点的一种方法。
为实现上述目的,本发明提供如下技术方案:
基于深度学习的纳米铁标记神经干细胞示踪的方法,包括如下步骤:
S1:利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像;
S2:利用基于深度学习影像组学方法Deep Learning-based Radiomics (DLR),通过对基于图像分割的深度神经网络的信息进行规范化,获得了影像组学特征,得到潜在的多个候选图像;
S3:在基于深度学习影像组学DLR时,使用卷积神经网络(CNN)对纳米铁标记的神经干细胞进行识别;
S4:将完整的图像直接输入到网络中,同时使用了训练阶段的相同预处理参数,采用双三次插值方法对网络输出进行上行采样;在获得了卷积神经网络(CNN)输出的分割结果后,我们用几种形态学方法对分割结果进行了修正,将每个切片的最大连通区域首先选为候选区域,然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域;
S5:利用改良的费舍尔向量编码深度过滤影像数据;
S6:卷积神经网络CNN的功能从所有图像中提取出来,并用费舍尔Fisher 矢量编码,为每个影像获得一个16384维度的特征集,建立一个基于多模态的分布式逻辑回归算法DLR(Distributed Logistic Regression)模型,并在第一个队列中进行了测试;基于单一模式的分布式逻辑回归算法DLR是利用第二队列构建的,并在两个队列中进行测试;得到输入影像的纳米铁标记的神经干细胞分布情况。
进一步的,所述步骤S2中,基于深度学习影像组学方法对图像的选取包括如下具体步骤:
S21:根据卷积神经网络CNN结构识别MR图像中的纳米铁标记神经干细胞移植区域;
S22:通过费雪矢量编码从最后的卷积层提取深度滤波响应;
S23:用一个leave-one-out交叉验证(留一法交叉验证)SVM(支持向量机(SupportVector Machine,SVM))对预测结果进行了评价。
进一步的,所述步骤S3中,使用了一个改良的卷积神经网络CNN结构,增加了两个卷积层,选择了具有6个卷积核的网络结构和4096个神经元的全连通层进行后续处理;将全连通层的参数增加到4096;将整流线性单元(ReLU)作为激活函数;并将整流线性单元(ReLU)设置为每一个卷积层;在每一个完全连通的卷积层之后,都应用了退出层。
进一步的,所述步骤S3中,利用卷积神经网络(CNN)对纳米铁标记的神经干细胞进行识别包括如下步骤:
S31:将需要识别的任务在卷积神经网络CNN的流行中转化为像素级的分类;
S32:将训练集输入卷积神经网络CNN进行训练,卷积核在图像上进行卷积,得到图像的局部特征和全局特征;
进一步的,所述步骤S5中改良的费舍尔向量编码,是利用高斯混合模型 (GMM),构建了一种视觉典库,并在矢量统计中对一些局部特征描述符进行了总结;基于训练数据获得了一个具有64个高斯分量的高斯混合模型GMM,然后将单个影像的所有的特征图拉伸成每一个深度过滤器的一维向量,并将它们合并成一个具有64个高斯分量的费舍尔矢量表示;集中描述表示每一个128个深度滤波器的64个高斯分量的一阶和二阶统计量,结果得到带有16k维度的描述符(128*64*2)。
与现有技术相比,本发明的有益效果是:
本发明主要利用了数字图象处理技术,对核磁共振采集的纳米铁标记的神经干细胞影像进行示踪,彻底解决了人工肉眼观察细胞不准确性的缺点,通过影像组学的深度学习精准的掌握细胞的位置,具有稳定、高效、自动、无损等特点。
本发明的目的在于提供了基于深度学习的纳米铁标记神经干细胞示踪的方法,其采用深度学习的方法进行分析、提取、识别、特征计算,最终具有精准示踪、识别准确率高等特点的一种方法。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明最佳实施例中利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像;
图2是本发明最佳实施例中卷积神经网络CNN结构示意图;
图3是本发明最佳实施例中磁共振影像中像素块的图;
图4是本发明最佳实施例中6个卷积核的网络结构和4096个神经元的全连通层图;
图5是本发明最佳实施例中64个高斯分量的费舍尔矢量图;
图6是本发明最佳实施例中的整流线性单元(ReLU)激活函数。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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的一部分实施例,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他实施例,都属于本发明保护的范围。
请参阅如下图,本发明提供如下的具体技术方案:
如图1-图5所示,基于深度学习的纳米铁标记神经干细胞示踪的方法,包括如下步骤:
S1:利用磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像;
利用3.0特斯拉(西门子三重器扫描仪)采集磁共振成像技术(MRI)生成纳米铁标记的神经干细胞图像,具体的扫描参数设置为:TR=9000ms,TE =99ms,TI=2501ms,翻转角度=150°,切片厚度=2mm,像素间距=0.4688 mm,得到的图像为3D MRI T2-FLAIR脑沟高信号图像,此外,获得了高分辨率的T1对比度3D图像(该图像在扫描时的设置参数为:TR=1900ms,TE=2.93 ms,TI=900ms,翻转角度=9°,切片厚度=1mm,像素间距=0.4883mm)。
S2:通过图像我们开发了一种更先进的方法,叫做基于深度学习影像组学方法Deep Learning-based Radiomics(DLR)。基于深度学习影像组学方法 DLR通过对基于图像分割的深度神经网络的信息进行规范化,获得了影像组学特征,得到潜在的多个候选图像,而步骤S2中包括如下详细步骤:
S21:根据最先进的方法卷积神经网络CNN结构识别MR图像中的纳米铁标记神经干细胞移植区域。
卷积需要输入两个参数,实质上是利用二维空间滤波,滤波的性质与实时操作***kernel的选择有关,卷积神经网络CNN的卷积是在一个2-D实时操作***kernel和输入的2-D input map(输入映射)之间,RGB(光学三原色)中各图像通道分别完成。我们假设单一通道输入图像的空间坐标为(x,y),卷积核大小是p×q,实时操作***kernel权重为w,图像亮度值是v,卷积过程就是实时操作***kernel所有权重与其在输入图像上对应元素亮度之和,可以表示为,
S22:通过费雪矢量编码从最后的卷积层提取深度滤波响应。然后,用一个leave-one-out交叉验证(留一法交叉验证)SVM(支持向量机(Support Vector Machine,SVM))对预测结果进行评价。
留一法Leave-one-out Cross-validation:是一种特殊的交叉验证方式。顾名思义,如果样本容量为n,则k=n,进行n折交叉验证,每次留下一个样本进行验证,其主要针对小样本的数据。设置方式为:
for model in models:
loout=LeaveOneOut()
score=cross_val_score(model,
datafinal,data_train,cv=loout)
print("\n{}分数{}:".format(model,score))
print("\n{}平均分数{}:".format(model,score.mean()))
S3:在基于深度学习影像组学DLR时,纳米铁标记的神经干细胞识别,使用了一种代表性的卷积神经网络(CNN),它已成功地应用于图像分割领域,具体地S3包括如下步骤:
S31:识别的任务在卷积神经网络CNN的流行中被转化为像素级的分类。考虑到在冠状面和矢状面缺乏大脑MR图像(磁共振成像)的分辨率,我们考虑利用二维信息从轴向视图获得标记的干细胞识别。在训练阶段,从MR图像中提取33*33个像素块,消除了一个通道中斑块的平均灰度值,并对灰度值和方差进行规格化,将已标准化的补丁输入到网络中,并将其作为训练中心点的类别。然而,该图像中标记的干细胞的比例非常小。为了更好地识别标记的干细胞区域,我们采用了不平衡的选择策略,在输入的标记的干细胞区域中,大约有40%的斑块是标记的干细胞区域。
S32:将训练集输入卷积神经网络CNN进行训练,对每一张候选干细胞影像,卷积神经网络CNN都会输出一个结果表示其是否为纳米铁标记的神经干细胞;卷积核在图像上进行卷积,得到图像的局部特征和全局特征。在每一个训练过程中,卷积核的权值都被反向传播。因此,网络被调整为输入数据的特征,采用随机梯度下降法作为参数反向传播的算法。
S4:卷积神经网络CNN的主要架构调整对于图像分割和特征提取都是至关重要的,为了解决更精准的纳米铁标记的神经干细胞影像,我们使用了一个改良的卷积神经网络CNN结构,在改良后的卷积神经网络CNN结构中增加了两个卷积层,选择了具有6个卷积核的网络结构和4096个神经元的全连通层进行后续处理。将全连通层的参数从256增加到4096,得到更精确的分割结果。将整流线性单元(ReLU)作为激活函数,并将整流线性单元(ReLU)设置为每一个卷积层。此外,在每一个完全连通的层之后,都应用了退出层。从而更好的保证了图像特征的准确性和有效性。
整流线性单元(ReLU)激活函数的形式,如图6所示:
S5:通常将完整的图像直接输入到网络中,以获得测试阶段的分割结果。使用了训练阶段的相同预处理参数,包括均值灰度值、标准化灰度值和方差。采用双三次插值方法对网络输出进行上行采样,以弥补汇聚过程产生的空间变化。在获得了卷积神经网络CNN输出的分割结果后,我们用几种形态学方法对分割结果进行了修正。每个切片的最大连通区域首先被选为候选区域。然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域。
S6:深度过滤影像数据;我们引入了改良的费舍尔向量编码。利用高斯混合模型(GMM),设有随机变量X,则混合高斯模型可以用下式表示:
其中称为混合模型中的第k个分量(component)。构建了一种视觉典库,并在矢量统计中对一些局部特征描述符进行了总结。基于训练数据获得了一个具有64个高斯分量的高斯混合模型GMM。然后将单个影像的所有的特征图拉伸成每一个深度过滤器的一维向量,并将它们合并成一个具有64个高斯分量的费舍尔矢量表示。集中描述表示每一个128个深度滤波器的 64个高斯分量的一阶和二阶统计量,结果是带有16k维度的描述符 (128*64*2)。
S7:卷积神经网络CNN的功能从所有图像中提取出来,并用费舍尔Fisher 矢量编码,为每个影像获得一个16384维度的特征集。建立了基于多模态的基于深度学习影像组学DLR模型,并在第一个队列中进行了测试。基于单一模式的基于深度学习影像组学DLR是利用第二队列构建的,并在两个队列中进行了测试。得到输入影像的纳米铁标记的神经干细胞分布情况。
本发明的目的在于提供了基于深度学习的纳米铁标记神经干细胞示踪的方法,其采用深度学习的方法进行分析、提取、识别、特征计算,最终具有精准示踪、识别准确率高等特点的一种方法。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (5)
1.基于深度学习的纳米铁标记神经干细胞示踪的方法,其特征在于,包括如下步骤:
S1:利用磁共振成像技术生成纳米铁标记的神经干细胞图像;
S2:利用基于深度学习影像组学方法,通过对基于图像分割的深度神经网络的信息进行规范化,获得影像组学特征,得到潜在的多个候选图像;
S3:在基于深度学习影像组学DLR时,使用卷积神经网络对纳米铁标记的神经干细胞进行识别;
S4:将完整的图像输入到网络中,同时使用训练阶段的相同预处理参数,采用双三次插值方法对网络输出进行上行采样;在获得了卷积神经网络输出的分割结果后,我们用几种形态学方法对分割结果进行了修正,将每个切片的最大连通区域首先选为候选区域,然后将一个三维卷积核的过滤盒顺利的选定肿瘤区域;
S5:利用改良的费舍尔向量编码深度过滤影像数据;
S6:卷积神经网络的功能从所有图像中提取出来,并用费舍尔矢量编码为每个影像获得一个16384维度的特征集,建立一个基于多模态的分布式逻辑回归算法模型,并在第一个队列中进行测试;基于单一模式的分布式逻辑回归算法是利用第二队列构建的,并在两个队列中进行测试;得到输入影像的纳米铁标记的神经干细胞分布情况。
2.根据权利要求1所述的基于深度学习的纳米铁标记神经干细胞示踪的方法,其特征在于:所述步骤S2中,基于深度学习影像组学方法对图像的选取包括如下具体步骤:
S21:根据卷积神经网络结构识别MR图像中的纳米铁标记神经干细胞移植区域;
S22:通过费雪矢量编码从最后的卷积层提取深度滤波响应;
S23:用一个留一法交叉验证支持向量机对预测结果进行了评价。
3.根据权利要求1所述的基于深度学习的纳米铁标记神经干细胞示踪的方法,其特征在于:所述步骤S3中,使用了一个改良的卷积神经网络结构,增加了两个卷积层,选择了具有6个卷积核的网络结构和4096个神经元的全连通层进行后续处理;将全连通层的参数增加到4096;将整流线性单元作为激活函数;并将整流线性单元设置为每一个卷积层;在每一个完全连通的卷积层之后,都应用了退出层。
4.根据权利要求3所述的基于深度学习的纳米铁标记神经干细胞示踪的方法,其特征在于:所述步骤S3中,利用卷积神经网络对纳米铁标记的神经干细胞进行识别包括如下步骤:
S31:将需要识别的任务在卷积神经网络的流行中转化为像素级的分类;
S32:将训练集输入卷积神经网络进行训练,卷积核在图像上进行卷积,得到图像的局部特征和全局特征。
5.根据权利要求1所述的基于深度学习的纳米铁标记神经干细胞示踪的方法,其特征在于:所述步骤S5中改良的费舍尔向量编码,是利用高斯混合模型,构建了一种视觉典库,并在矢量统计中对一些局部特征描述符进行了总结;基于训练数据获得了一个具有64个高斯分量的高斯混合模型,然后将单个影像的所有的特征图拉伸成每一个深度过滤器的一维向量,并将它们合并成一个具有64个高斯分量的费舍尔矢量表示;集中描述表示每一个128个深度滤波器的64个高斯分量的一阶和二阶统计量,结果得到带有16k维度的描述符。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235754.5A CN113222887A (zh) | 2021-03-03 | 2021-03-03 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110235754.5A CN113222887A (zh) | 2021-03-03 | 2021-03-03 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222887A true CN113222887A (zh) | 2021-08-06 |
Family
ID=77084803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110235754.5A Pending CN113222887A (zh) | 2021-03-03 | 2021-03-03 | 基于深度学习的纳米铁标记神经干细胞示踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11978270B2 (en) | 2021-11-18 | 2024-05-07 | V5Med Inc. | AI-assisted automatic labeling system and method |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060115023A1 (en) * | 1998-09-28 | 2006-06-01 | Bat-Sheva Ovadia | Apparatus and method for decoding and trace back of convolution codes using the viterbi decoding algorithm |
CN101002679A (zh) * | 2007-01-26 | 2007-07-25 | 中国人民解放军第三军医大学第一附属医院 | 骨髓间充质干细胞的示踪方法 |
WO2014174087A1 (en) * | 2013-04-25 | 2014-10-30 | Thomson Licensing | Method and device for performing super-resolution on an input image |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测*** |
CN107384863A (zh) * | 2017-06-16 | 2017-11-24 | 东南大学 | 荧光和spect/ct双影像功能微球示踪的神经干细胞及应用 |
CN108256408A (zh) * | 2017-10-25 | 2018-07-06 | 四川大学 | 一种基于深度学习的干细胞追踪方法 |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
WO2020028313A1 (en) * | 2018-07-31 | 2020-02-06 | The Regents Of The University Of Colorado A Body Corporate | Systems and methods for applying machine learning to analyze microcopy images in high-throughput systems |
CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
-
2021
- 2021-03-03 CN CN202110235754.5A patent/CN113222887A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060115023A1 (en) * | 1998-09-28 | 2006-06-01 | Bat-Sheva Ovadia | Apparatus and method for decoding and trace back of convolution codes using the viterbi decoding algorithm |
CN101002679A (zh) * | 2007-01-26 | 2007-07-25 | 中国人民解放军第三军医大学第一附属医院 | 骨髓间充质干细胞的示踪方法 |
WO2014174087A1 (en) * | 2013-04-25 | 2014-10-30 | Thomson Licensing | Method and device for performing super-resolution on an input image |
CN106683081A (zh) * | 2016-12-17 | 2017-05-17 | 复旦大学 | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测*** |
CN107384863A (zh) * | 2017-06-16 | 2017-11-24 | 东南大学 | 荧光和spect/ct双影像功能微球示踪的神经干细胞及应用 |
CN108256408A (zh) * | 2017-10-25 | 2018-07-06 | 四川大学 | 一种基于深度学习的干细胞追踪方法 |
WO2020028313A1 (en) * | 2018-07-31 | 2020-02-06 | The Regents Of The University Of Colorado A Body Corporate | Systems and methods for applying machine learning to analyze microcopy images in high-throughput systems |
CN109859215A (zh) * | 2019-01-30 | 2019-06-07 | 北京慧脑云计算有限公司 | 一种基于Unet模型的脑白质高信号自动分割***及其方法 |
CN110335259A (zh) * | 2019-06-25 | 2019-10-15 | 腾讯科技(深圳)有限公司 | 一种医学影像识别方法、装置和存储介质 |
CN112184658A (zh) * | 2020-09-24 | 2021-01-05 | 上海健康医学院 | 用于非小细胞肺癌预后生存预测的方法、介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
LI, XL: "Dual U-Net for the Segmentation of Overlapping Glioma Nuclei", 《IEEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC》, no. 7, 31 December 2019 (2019-12-31), pages 84040 - 84052 * |
吴佳琪等: "超顺磁性氧化铁在干细胞示踪中的研究进展", 《中华医学杂志》, no. 45, 31 December 2016 (2016-12-31), pages 3694 - 3696 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11978270B2 (en) | 2021-11-18 | 2024-05-07 | V5Med Inc. | AI-assisted automatic labeling system and method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
CN105046276B (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
Zhang et al. | Automated semantic segmentation of red blood cells for sickle cell disease | |
CN110427933A (zh) | 一种基于深度学习的水尺识别方法 | |
CN109961446A (zh) | Ct/mr三维图像分割处理方法、装置、设备及介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN112508953A (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
CN111899259A (zh) | 一种基于卷积神经网络的***癌组织微阵列分级方法 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和*** | |
CN115496720A (zh) | 基于ViT机制模型的胃肠癌病理图像分割方法及相关设备 | |
CN115393293A (zh) | 基于UNet网络与分水岭算法的电镜红细胞分割与定位方法 | |
CN115909006A (zh) | 基于卷积Transformer的乳腺组织图像分类方法及*** | |
CN111275126A (zh) | 样本数据集生成方法、装置、设备及存储介质 | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
CN116664590B (zh) | 基于动态对比增强磁共振图像的自动分割方法及装置 | |
CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 | |
CN117197456A (zh) | 一种面向he染色的病理图像细胞核同时分割分类方法 | |
CN116757979A (zh) | 胚胎图像融合方法、装置、电子设备及存储介质 | |
CN116740528A (zh) | 一种基于阴影特征的侧扫声呐图像目标检测方法及*** | |
CN110363101A (zh) | 一种基于cnn特征融合框架的花卉识别方法 | |
CN115471724A (zh) | 一种基于自适应归一化的细粒度鱼类疫病识别融合算法 | |
CN116246700A (zh) | 一种基于高光谱成像的肿瘤基因分型***及方法 |
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 |