CN117611584B - 一种组织工程化周围神经移植物的培养方法及*** - Google Patents
一种组织工程化周围神经移植物的培养方法及*** Download PDFInfo
- Publication number
- CN117611584B CN117611584B CN202410086454.9A CN202410086454A CN117611584B CN 117611584 B CN117611584 B CN 117611584B CN 202410086454 A CN202410086454 A CN 202410086454A CN 117611584 B CN117611584 B CN 117611584B
- Authority
- CN
- China
- Prior art keywords
- nerve graft
- image
- nerve
- graft
- time
- 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
Links
- 210000000578 peripheral nerve Anatomy 0.000 title claims abstract description 31
- 238000012136 culture method Methods 0.000 title description 2
- 210000005036 nerve Anatomy 0.000 claims abstract description 430
- 239000011159 matrix material Substances 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012258 culturing Methods 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 70
- 239000007943 implant Substances 0.000 claims description 39
- 238000002372 labelling Methods 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002054 transplantation Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 108010025020 Nerve Growth Factor Proteins 0.000 description 1
- 102000007072 Nerve Growth Factors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis 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
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003900 neurotrophic factor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
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
- G06T7/0014—Biomedical image inspection using an image reference approach
- G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/11—Surgical instruments, devices or methods, e.g. tourniquets for performing anastomosis; Buttons for anastomosis
- A61B17/1128—Surgical instruments, devices or methods, e.g. tourniquets for performing anastomosis; Buttons for anastomosis of nerves
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/11—Surgical instruments, devices or methods, e.g. tourniquets for performing anastomosis; Buttons for anastomosis
- A61B2017/1132—End-to-end connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Neurology (AREA)
- Databases & Information Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种组织工程化周围神经移植物的培养方法和***。本发明根据获取培养组织工程化周围神经移植物过程中未与需要进行神经移植的培养组织工程化周围神经移植物匹配的切片图像。将所有图像中的特征向量组合成一个特征三维矩阵。根据判断特征,检测神经切片中不同的区域的生长状态,即像素分布判断图像的变化,从而进行预测。通过单独获得每个时间点的特征矩阵构成三维的移植物特征矩阵,和通过修改后的时间卷积网络获取时间特征三维矩阵共同进行预测培养成能够进行神经移植的培养组织工程化周围神经移植物的时间。在这个时间获取切片进行匹配,能够提高神经移植物与受体神经的匹配率,提高神经修复效果。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种组织工程化周围神经移植物的培养方法及***。
背景技术
目前,采用神经移植物搭建缺失神经束具有较大发展,提供的神经移植物包括感觉神经束通道、运动神经束通道和混合神经束通道,各神经束通道与正常神经相应节段的神经束相匹配。神经移植物,在外观上与所要修复的神经节段相匹配,其内部神经束通道走形也与所修复的神经束精确匹配。其次,神经移植物中分别负载不同神经营养因子,可针对不同功能的神经束进行促进和方向引导,神经束通道、运动神经束通道和混合神经束通道的走形需要与所修复的神经束高度匹配。组织工程化周围神经移植物的培养过程中,神经移植物切面图像的获取,需要高精度的进行获取,而且多次检测会伤害培养的组织工程化周围神经移植物,所以需要找到判断和对应需修复的神经束的重合程度高的合适时间,能够获得提供适用范围更广和质量更好的修复神经缺损的外科移植物。
发明内容
本发明的目的在于提供了一种组织工程化周围神经移植物的培养方法及***,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种组织工程化周围神经移植物的培养方法,包括:
获得神经移植物图像集合;所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像;
获得当前神经移植物图像和标注神经移植物图像;所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像;所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像;
将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值;所述检测值表示与能够检测神经移植的神经移植物的相似性;
根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度;
获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植;所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像。
可选的,神经移植物生长网络包括神经移植物检测网络、时间卷积网络和预测变化网络;
所述预测变化网络包括时间变化网络和神经移植物预测网络。
可选的,所述根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度,包括:
将神经移植物图像集合中的神经移植物图像输入神经移植物检测网络,提取特征,得到移植物特征矩阵;
多个神经移植物图像对应获得多个移植物特征矩阵;
将多个移植物特征矩阵构成移植物三维矩阵;
将所述多个神经移植物图像按时间从远到近输入时间卷积网络,得到时间特征三维矩阵;所述时间特征三维矩阵表示包含时间信息的神经移植物图像的变化特征;
根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度。
可选的,所述根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度,包括:
将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征;
将所述时间特征三维矩阵输入时间变化网络,提取时间变化的特征,得到时间变化特征;
将移植物变化特征和时间变化特征进行融合,得到融合矩阵;
将所述融合矩阵、当前神经移植物图像和标注神经移植物图像输入神经移植物预测网络,进行预测,得到预测时间长度。
可选的,所述将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征,包括:
将移植物三维矩阵按照时间方向与2xNxN大小的三维卷积核进行卷积,得到移植物变化特征;神经移植物图像集合中包含M个神经移植物图像对应获得M-1个移植物变化特征;
将M-1个移植物变化特征输入三维卷积网络,得到移植物变化特征。
可选的,所述预测变化网络的训练过程:
获得第一训练子集;所述第一训练子集为神经移植物图像集合中的一个非空子集;
获得第二训练子集;所述第二训练子集为神经移植物图像集合中与第一训练子集互斥的子集;
获得训练图像;所述训练图像包括训练融合矩阵、第一神经移植物图像和第二神经移植物图像;
所述第一神经移植物图像为第一训练子集中时间点距离当前时间点小于其他时间点的神经移植物图像;
所述第二神经移植物图像为第二训练子集中的随机一张神经移植物图像;
获得标注数据;所述标注数据为第二神经移植物图像对应的时间点减去第一神经移植物图对应的时间点像的时间长度;
将所述训练融合矩阵、第一神经移植物图像和第二神经移植物图像输入神经移植物预测网络,进行预测,得到训练时间长度;
将所述训练时间长度与标注数据进行损失计算,得到损失值;
根据所述损失值训练时间变化网络和神经移植物预测网络,得到训练好的预测变化网络。
可选的,训练融合矩阵的获取方法,包括:
基于第一训练子集,通过神经移植物检测网络,提取特征,得到第一移植物三维矩阵;
基于第一训练子集,通过时间卷积网络,得到第一时间特征矩阵;
将所述第一移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到第一聚类变化特征;
将所述第一时间特征矩阵输入时间变化网络,提取时间变化的特征,得到第一时间变化特征;
将第一聚类变化特征和第一时间变化特征进行融合,得到训练融合矩阵。
可选的,所述神经移植物生长网络通过训练预测变化网络的损失值,反向传播,训练神经移植物生长网络,得到训练好的神经移植物生长网络。
可选的,所述神经移植物检测网络的训练方法,包括:
获取多个相似神经移植物图像组和多个未相似神经移植物图像组;所述相似神经移植物图像组包括欧式距离小于阈值的两张神经移植物图像;所述未相似神经移植物图像组包括欧式距离大于或等于阈值的两张神经移植物图像;
将相似神经移植物图像组或未相似神经移植物图像组输入神经检测网络,得到检测值;所述检测值为0表示未相似所述检测值为1表示相似;所述检测值为0表示未相似所述检测值为1表示相似;所述检测值为0表示未相似。
第二方面,本发明实施例提供了一种组织工程化周围神经移植物的培养***,包括:
获取模块:获得神经移植物图像集合;所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像;获得当前神经移植物图像和标注神经移植物图像;所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像;所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像;
检测模块:将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值;所述检测值表示与能够检测神经移植的神经移植物的相似性;
生长变化判定模块:根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度;
重新检测模块:获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植;所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像。
相较于现有技术,本发明实施例达到了以下有益效果:本发明实施例还提供了一种组织工程化周围神经移植物的培养方法和***,所述方法包括:获得神经移植物图像集合。所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像。获得当前神经移植物图像和标注神经移植物图像。所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像。所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像。将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值。所述检测值表示与能够检测神经移植的神经移植物的相似性。根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度。获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植。所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像。
本发明根据获取培养组织工程化周围神经移植物过程中未与需要进行神经移植的培养组织工程化周围神经移植物匹配的切片图像,判断培养成能够进行神经移植的培养组织工程化周围神经移植物的时间。获取每个图像的特征矩阵。将所有图像中的特征向量组合成一个特征三维矩阵。根据判断特征,检测神经切片中不同的区域的生长状态,即像素分布判断图像的变化,从而进行预测。通过单独获得每个时间点的特征矩阵构成三维的移植物特征矩阵,和通过修改后的时间卷积网络获取时间特征三维矩阵共同进行预测培养成能够进行神经移植的培养组织工程化周围神经移植物的时间。在这个时间获取切片进行匹配,能够提高神经移植物与受体神经的匹配率,提高神经修复效果。
附图说明
图1是本发明实施例提供的一种组织工程化周围神经移植物的培养方法流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种组织工程化周围神经移植物的培养方法,所述方法包括:
S101:获得神经移植物图像集合。所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像。
S102:获得当前神经移植物图像和标注神经移植物图像。所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像。所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像。
S103:将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值。所述检测值表示与能够检测神经移植的神经移植物的相似性。
S104:根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度。
S105:获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植。所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像。
可选的,神经移植物生长网络包括神经移植物检测网络、时间卷积网络和预测变化网络。
所述预测变化网络包括时间变化网络和神经移植物预测网络。
可选的,所述根据所述神经移植物监控图像集合,得到神经移植物的神经束个数,包括:
将神经移植物图像集合中的神经移植物图像输入神经移植物检测网络,提取特征,得到移植物特征矩阵。
其中,所述移植物特征矩阵为神经移植物检测网络的输出的未进行分类的特征构成的矩阵。
多个神经移植物图像对应获得多个移植物特征矩阵。
将多个移植物特征矩阵构成移植物三维矩阵。
将所述多个神经移植物图像按时间从远到近输入时间卷积网络,得到时间特征三维矩阵。所述时间特征三维矩阵表示包含时间信息的神经移植物图像的变化特征。
根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度。
通过上述方法,获取每个图像的特征矩阵。将所有图像中的特征向量组合成一个特征三维矩阵。根据判断特征,检测神经切片中不同的区域的生长状态,即像素分布判断图像的变化,从而进行预测。
可选的,所述根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度,包括:
将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征。
将所述时间特征三维矩阵输入时间变化网络,提取时间变化的特征,得到时间变化特征。
将移植物变化特征和时间变化特征进行融合,得到融合矩阵。
其中,将移植物变化特征和时间变化特征中对应位置的特征进行相加后求取平均从而进行融合。
将所述融合矩阵、当前神经移植物图像和标注神经移植物图像输入神经移植物预测网络,进行预测,得到预测时间长度。
通过上述方法,根据聚类变化情况。以时间特征三维矩阵为辅助调整移植物三维矩阵,从而调整变化网络。
可选的,所述将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征,包括:
将移植物三维矩阵按照时间方向与2xNxN大小的三维卷积核进行卷积,得到移植物变化特征。神经移植物图像集合中包含M个神经移植物图像对应获得M-1个移植物变化特征。
其中,所述2表示两个时间点,所述N与聚类分析矩阵的长或宽相同。
其中,M表示用于判断变化速度的神经移植物图像的个数,本实施例中为神经移植物图像集合中的元素个数,即神经移植物图像集合包含的神经移植物图像的个数。同时,,M也表示获取神经移植物图像集合中的神经移植物图像的时间点的个数。
其中,卷积核在时间方向以步长为1进行移动。
将M-1个移植物变化特征输入三维卷积网络,得到移植物变化特征。
其中,本实施例中,所述三维卷积网络为三维卷积神经网络(3D-CNN)。
通过上述方法,得到2xNxN大小的三维卷积核,以步长为1进行获取两两之间的特征关系,从而得到变化情况。
可选的,所述预测变化网络的训练过程:
获得第一训练子集。所述第一训练子集为神经移植物图像集合中的一个非空子集。
获得第二训练子集。所述第二训练子集为神经移植物图像集合中与第一训练子集互斥的子集。
获得训练图像。所述训练图像包括训练融合矩阵、第一神经移植物图像和第二神经移植物图像。
所述第一神经移植物图像为第一训练子集中时间点距离当前时间点小于其他时间点的神经移植物图像。
所述第二神经移植物图像为第二训练子集中的随机一张神经移植物图像。
获得标注数据。所述标注数据为第二神经移植物图像对应的时间点减去第一神经移植物图对应的时间点像的时间长度。
将所述训练融合矩阵、第一神经移植物图像和第二神经移植物图像输入神经移植物预测网络,进行预测,得到训练时间长度。
将所述训练时间长度与标注数据进行损失计算,得到损失值。
根据所述损失值训练时间变化网络和神经移植物预测网络,得到训练好的预测变化网络。
可选的,训练融合矩阵的获取方法,包括:
基于第一训练子集,通过神经移植物检测网络,提取特征,得到第一移植物三维矩阵。
基于第一训练子集,通过时间卷积网络,得到第一时间特征矩阵。
将所述第一移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到第一聚类变化特征。
将所述第一时间特征矩阵输入时间变化网络,提取时间变化的特征,得到第一时间变化特征。
将第一聚类变化特征和第一时间变化特征进行融合,得到训练融合矩阵。
可选的,所述神经移植物生长网络通过训练预测变化网络的损失值,反向传播,训练神经移植物生长网络,得到训练好的神经移植物生长网络。
其中,因为神经移植物生长网络和预测变化网络之间的输出值有连接关系,所以能够通过损失值后向传播训练神经移植物检测网络、时间卷积网络、时间变化网络和神经移植物预测网络多个网络。
可选的,所述神经移植物检测网络的训练方法,包括:
获取多个相似神经移植物图像组和多个未相似神经移植物图像组。所述相似神经移植物图像组包括欧式距离小于阈值的两张神经移植物图像。所述未相似神经移植物图像组包括欧式距离大于或等于阈值的两张神经移植物图像。
将相似神经移植物图像组或未相似神经移植物图像组输入神经检测网络,得到训练检测值。所述训练检测值为1表示相似。所述训练检测值为1表示未相似。
其中,本实施例中,所述阈值为0.9。
实施例2
基于上述的一种组织工程化周围神经移植物的培养方法,本发明实施例还提供了一种组织工程化周围神经移植物的培养***,所述***包括获取模块、检测模块、生长变化判定模块和重新检测模块。
获取模块用于获得神经移植物图像集合。所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像。获得当前神经移植物图像和标注神经移植物图像。所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像。所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像。
检测模块用于将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值。所述检测值表示与能够检测神经移植的神经移植物的相似性。
生长变化判定模块用于根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度。
重新检测模块用于获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植。所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种组织工程化周围神经移植物的培养方法,其特征在于,包括:
获得神经移植物图像集合;所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像;
获得当前神经移植物图像和标注神经移植物图像;所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像;所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像;
将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值;所述检测值表示与能够检测神经移植的神经移植物的相似性;
根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度;
获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植;所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像;
神经移植物生长网络包括神经移植物检测网络、时间卷积网络和预测变化网络;
所述预测变化网络包括时间变化网络和神经移植物预测网络;
所述根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度,包括:
将神经移植物图像集合中的神经移植物图像输入神经移植物检测网络,提取特征,得到移植物特征矩阵;
多个神经移植物图像对应获得多个移植物特征矩阵;
将多个移植物特征矩阵构成移植物三维矩阵;
将所述多个神经移植物图像按时间从远到近输入时间卷积网络,得到时间特征三维矩阵;所述时间特征三维矩阵表示包含时间信息的神经移植物图像的变化特征;
根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度;
所述神经移植物检测网络的训练方法,包括:
获取多个相似神经移植物图像组和多个未相似神经移植物图像组;所述相似神经移植物图像组包括欧式距离小于阈值的两张神经移植物图像;所述未相似神经移植物图像组包括欧式距离大于或等于阈值的两张神经移植物图像;
将相似神经移植物图像组或未相似神经移植物图像组输入神经移植物检测网络,得到检测值;所述检测值为1表示相似;所述检测值为0表示未相似。
2.根据权利要求1所述的一种组织工程化周围神经移植物的培养方法,其特征在于,所述根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度,包括:
将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征;
将所述时间特征三维矩阵输入时间变化网络,提取时间变化的特征,得到时间变化特征;
将移植物变化特征和时间变化特征进行融合,得到融合矩阵;
将所述融合矩阵、当前神经移植物图像和标注神经移植物图像输入神经移植物预测网络,进行预测,得到预测时间长度。
3.根据权利要求2所述的一种组织工程化周围神经移植物的培养方法,其特征在于,所述将所述移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到移植物变化特征,包括:
将移植物三维矩阵按照时间方向与2xNxN大小的三维卷积核进行卷积,得到移植物变化特征;神经移植物图像集合中包含M个神经移植物图像对应获得M-1个移植物变化特征;
将M-1个移植物变化特征输入三维卷积网络,得到移植物变化特征。
4.根据权利要求2所述的一种组织工程化周围神经移植物的培养方法,其特征在于,所述预测变化网络的训练过程:
获得第一训练子集;所述第一训练子集为神经移植物图像集合中的一个非空子集;
获得第二训练子集;所述第二训练子集为神经移植物图像集合中与第一训练子集互斥的子集;
获得训练图像;所述训练图像包括训练融合矩阵、第一神经移植物图像和第二神经移植物图像;
所述第一神经移植物图像为第一训练子集中时间点距离当前时间点小于其他时间点的神经移植物图像;
所述第二神经移植物图像为第二训练子集中的随机一张神经移植物图像;
获得标注数据;所述标注数据为第二神经移植物图像对应的时间点减去第一神经移植物图对应的时间点像的时间长度;
将所述训练融合矩阵、第一神经移植物图像和第二神经移植物图像输入神经移植物预测网络,进行预测,得到训练时间长度;
将所述训练时间长度与标注数据进行损失计算,得到损失值;
根据所述损失值训练时间变化网络和神经移植物预测网络,得到训练好的预测变化网络。
5.根据权利要求4所述的一种组织工程化周围神经移植物的培养方法,其特征在于,训练融合矩阵的获取方法,包括:
基于第一训练子集,通过神经移植物检测网络,提取特征,得到第一移植物三维矩阵;
基于第一训练子集,通过时间卷积网络,得到第一时间特征矩阵;
将所述第一移植物三维矩阵输入时间变化网络,提取时间变化的特征,得到第一聚类变化特征;
将所述第一时间特征矩阵输入时间变化网络,提取时间变化的特征,得到第一时间变化特征;
将第一聚类变化特征和第一时间变化特征进行融合,得到训练融合矩阵。
6.根据权利要求1所述的一种组织工程化周围神经移植物的培养方法,其特征在于,神经移植物生长网络通过训练预测变化网络的损失值,反向传播,训练神经移植物生长网络,得到训练好的神经移植物生长网络。
7.一种组织工程化周围神经移植物的培养***,其特征在于,包括:
获取模块:获得神经移植物图像集合;所述神经移植物图像集合包括组织工程化周围神经移植物培养过程中多个时间点的检测的横切面对应的多张神经移植物图像;获得当前神经移植物图像和标注神经移植物图像;所述当前神经移植物图像为神经移植物图像集合中距离当前时间点的时间长度大于其他神经移植物图像对应的时间长度的神经移植物图像;所述标注神经移植物图像为预想能够进行神经移植的神经移植物的图像;
检测模块:将所述标注神经移植物图像和当前神经移植物图像输入神经移植物检测网络,得到检测值;所述检测值表示与能够检测神经移植的神经移植物的相似性;
生长变化判定模块:根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度;
重新检测模块:获取新神经移植物图像,将新神经移植物图像和标注神经移植物图像输入神经移植物检测网络,进行判断神经移植物是否能够进行神经移植;所述新神经移植物图像为当前时间点加上预测时间长度的时间点获取的神经移植物图像;
神经移植物生长网络包括神经移植物检测网络、时间卷积网络和预测变化网络;
所述预测变化网络包括时间变化网络和神经移植物预测网络;
所述根据所述检测值、标注神经移植物图像和神经移植物图像集合,通过神经移植物生长网络,判断神经移植物的生长速度变化,得到预测时间长度,包括:
将神经移植物图像集合中的神经移植物图像输入神经移植物检测网络,提取特征,得到移植物特征矩阵;
多个神经移植物图像对应获得多个移植物特征矩阵;
将多个移植物特征矩阵构成移植物三维矩阵;
将所述多个神经移植物图像按时间从远到近输入时间卷积网络,得到时间特征三维矩阵;所述时间特征三维矩阵表示包含时间信息的神经移植物图像的变化特征;
根据移植物三维矩阵、时间特征三维矩阵、标注神经移植物图像和神经移植物图像集合中的当前神经移植物图像,通过预测变化网络,得到预测时间长度;
所述神经移植物检测网络的训练方法,包括:
获取多个相似神经移植物图像组和多个未相似神经移植物图像组;所述相似神经移植物图像组包括欧式距离小于阈值的两张神经移植物图像;所述未相似神经移植物图像组包括欧式距离大于或等于阈值的两张神经移植物图像;
将相似神经移植物图像组或未相似神经移植物图像组输入神经移植物检测网络,得到检测值;所述检测值为1表示相似;所述检测值为0表示未相似。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410086454.9A CN117611584B (zh) | 2024-01-22 | 2024-01-22 | 一种组织工程化周围神经移植物的培养方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410086454.9A CN117611584B (zh) | 2024-01-22 | 2024-01-22 | 一种组织工程化周围神经移植物的培养方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117611584A CN117611584A (zh) | 2024-02-27 |
CN117611584B true CN117611584B (zh) | 2024-04-12 |
Family
ID=89944674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410086454.9A Active CN117611584B (zh) | 2024-01-22 | 2024-01-22 | 一种组织工程化周围神经移植物的培养方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117611584B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104623738A (zh) * | 2015-01-12 | 2015-05-20 | 南通大学 | 带有悬丝纤维支架的组织工程神经移植物及其制备方法 |
CN110507857A (zh) * | 2019-08-30 | 2019-11-29 | 江南大学 | 一种组织工程化神经移植物及其制备方法 |
CN114288478A (zh) * | 2021-12-24 | 2022-04-08 | 南通大学 | 一种组织工程神经复合体及其制备方法和应用 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2536174B (en) * | 2013-12-17 | 2020-12-16 | Dtherapeutics Llc | Devices, systems and methods for tissue engineering of luminal grafts |
AU2021283380A1 (en) * | 2020-06-03 | 2023-01-05 | Alexis Bio, Inc. | Selection and monitoring methods for xenotransplantation |
-
2024
- 2024-01-22 CN CN202410086454.9A patent/CN117611584B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104623738A (zh) * | 2015-01-12 | 2015-05-20 | 南通大学 | 带有悬丝纤维支架的组织工程神经移植物及其制备方法 |
CN110507857A (zh) * | 2019-08-30 | 2019-11-29 | 江南大学 | 一种组织工程化神经移植物及其制备方法 |
CN114288478A (zh) * | 2021-12-24 | 2022-04-08 | 南通大学 | 一种组织工程神经复合体及其制备方法和应用 |
Non-Patent Citations (1)
Title |
---|
Construction of tissue engineered nerve grafts and their application in peripheral nerve regeneration;Xiaosong Gu等;《Progress in Neurobiology》;20120229;第204-230页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117611584A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161311A (zh) | 一种基于深度学习的视觉多目标跟踪方法及装置 | |
CN109492706B (zh) | 一种基于循环神经网络的染色体分类预测装置 | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
CN112201300B (zh) | 基于深度图像特征和阈值学习策略的蛋白质亚细胞定位的方法 | |
CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113393443A (zh) | 一种he病理图像细胞核分割方法及*** | |
CN112200887A (zh) | 一种基于梯度感知的多聚焦图像融合方法 | |
CN115760770A (zh) | 膝骨关节图像智能检测方法、装置、电子设备及可读介质 | |
CN111563556A (zh) | 一种基于颜色梯度权重的变电站箱柜设备异常识别方法及*** | |
CN117611584B (zh) | 一种组织工程化周围神经移植物的培养方法及*** | |
CN113486202B (zh) | 小样本图像分类的方法 | |
CN106997590A (zh) | 一种基于检测产品特性的图像处理与检测*** | |
CN112017730B (zh) | 基于表达量预测模型的细胞筛选方法和装置 | |
CN112183224A (zh) | 用于图像识别的模型训练方法、图像识别方法和装置 | |
CN115701868B (zh) | 一种适用多种视觉任务的领域自适应增强方法 | |
CN111311601A (zh) | 一种拼接图像的分割方法及装置 | |
Pereira et al. | Assessing active learning strategies to improve the quality control of the soybean seed vigor | |
CN113591601B (zh) | 角膜共聚焦图像中菌丝识别方法及装置 | |
CN114037868B (zh) | 图像识别模型的生成方法及装置 | |
CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
CN111325281B (zh) | 深度学习网络的训练方法、装置、计算机设备和存储介质 | |
EP1694056A1 (en) | Method of real-time correction of non-functioning pixels in digital radiography | |
CN114049303A (zh) | 一种基于多粒度特征融合的渐进式骨龄评估方法 | |
CN117711609B (zh) | 一种基于大数据的神经移植方案推荐方法及*** |
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 |