【技术实现步骤摘要】
本专利技术涉及图像处理分析，尤其是涉及一种病变区域识别方法、系统及电子设备。
技术介绍
1、针对病变区域识别的现有技术，尚未有成熟的方法能够将医学影像的宏观特征与拉曼光谱的微观分子信息有效结合，实现影像组学与分子组学的融合分析，从而提供一个非侵入式、自动化的智能医学诊断方法。此外，尽管卷积神经网络在影像特征提取方面表现出优越性，现有技术仍未能在影像数据与分子信息之间建立统一的数学模型以实现精准的多模态诊断。由于这些技术限制，现有方法在自动化水平、诊断结果的准确性和一致性方面存在不足，难以满足临床对高精度和高复现性诊断的需求。
技术实现思路
1、本专利技术的目的在于提供一种病变区域识别方法、系统及电子设备，以缓解了现有方法在自动化水平、诊断结果的准确性和一致性方面存在不足，难以满足临床对高精度和高复现性诊断的需求的技术问题，提升病变区域识别的准确性。
2、第一方面，本专利技术实施例提供了一种病变区域识别方法，包括：获取待识别区域的初始影像数据；对上述初始影像数据进行预处理，确定待分割影像数据；基于预设灰度阈值参数，对上述待分割影像数据进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号；以及，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据；根据上述光谱数据对应上述组织区域的位置信息，将上述光谱数据映射至上述灰度数字信号，得到映射后的光谱数据；将上述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出上述映射后的光谱
3、在本专利技术较佳的实施方式中，将上述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出上述映射后的光谱数据的诊断结果的步骤之后，上述方法还包括：将上述灰度数字信号以及上述诊断结果输入预设的回归模型中，输出上述灰度数字信号与上述诊断结果之间的误差值；根据上述误差值，确定上述诊断结果的准确程度。
4、在本专利技术较佳的实施方式中，对上述初始影像数据进行预处理，确定待分割影像数据的步骤，包括：按照预设尺度对上述初始影像数据进行分割，得到二维矩阵；上述二维矩阵中的每个像素点携带有对应的灰度值；基于上述二维矩阵，对上述每个像素点进行归一化处理，得到归一化矩阵；将上述归一化矩阵确定为上述待分割影像数据。
5、在本专利技术较佳的实施方式中，基于预设灰度阈值参数，对上述待分割影像数据进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号的步骤，包括：基于预设灰度阈值参数，对上述归一化矩阵进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号。
6、在本专利技术较佳的实施方式中，预设类型的组织区域包括：恶性肿瘤区域、良性肿瘤区域以及坏死组织区域；基于预设灰度阈值参数，对上述归一化矩阵进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号；以及，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据的步骤，包括：基于预设灰度阈值参数，对上述归一化矩阵进行分割，得到上述恶性肿瘤区域、上述良性肿瘤区域以及上述坏死组织区域，并确定上述恶性肿瘤区域、上述良性肿瘤区域以及上述坏死组织区域分别对应的灰度数字信号；以及，通过拉曼光谱采集技术对上述恶性肿瘤区域、上述良性肿瘤区域以及上述坏死组织区域进行拉曼分子信息采集，得到上述恶性肿瘤区域、上述良性肿瘤区域以及上述坏死组织区域的光谱数据。
7、在本专利技术较佳的实施方式中，上述预先训练好的卷积神经网络模型包括：输入层、多个卷积层、池化层以及全连接层；将上述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出上述映射后的光谱数据的诊断结果的步骤，包括：将上述映射后的光谱数据通过上述输入层输入，通过上述多个卷积层提取上述映射后的光谱数据的局部特征，通过上述池化层对上述局部特征进行降维处理，通上述全连接层将降维后的局部特征映射到具体的诊断结果分类中，通过上述全连接层中的softmax函数计算上述降维后的局部特征对应上述诊断结果分类中目标分类结果的概率。
8、在本专利技术较佳的实施方式中，上述softmax函数的表达式为：
9、
10、其中，为上述目标分类结果的概率，a为上述目标分类的类别，为上述全连接层的预设权重矩阵，作为上述池化层特征映射输出，k为上述诊断结果分类的类别数量。
11、在本专利技术较佳的实施方式中，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据的步骤，包括：基于多模态影像配准技术、物理标记或术中导航技术，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据。
12、第二方面，本专利技术实施例提供了一种病变区域识别系统，包括：数据获取模块，用于获取待识别区域的初始影像数据；预处理模块，用于对上述初始影像数据进行预处理，确定待分割影像数据；分割模块，用于基于预设灰度阈值参数，对上述待分割影像数据进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号；以及，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据；诊断结果输出模块，用于根据上述光谱数据对应上述组织区域的位置信息，将上述光谱数据映射至上述灰度数字信号，得到映射后的光谱数据；将上述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出上述映射后的光谱数据的诊断结果。
13、第三方面，本专利技术实施例还提供了一种电子设备，上述电子设备包括处理器和存储器，上述存储器存储有能够被上述处理器执行的计算机可执行指令，上述处理器执行上述计算机可执行指令以实现上述病变区域识别方法。
14、本专利技术实施例具有下述有益技术效果：
15、本专利技术实施例提供了一种病变区域识别方法、系统及电子设备，包括：获取待识别区域的初始影像数据；对上述初始影像数据进行预处理，确定待分割影像数据；基于预设灰度阈值参数，对上述待分割影像数据进行分割，得到预设类型的组织区域，并确定上述组织区域对应的灰度数字信号；以及，通过拉曼光谱采集技术对上述组织区域进行拉曼分子信息采集，得到上述组织区域的光谱数据；根据上述光谱数据对应上述组织区域的位置信息，将上述光谱数据映射至上述灰度数字信号，得到映射后的光谱数据；将上述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出上述映射后的光谱数据的诊断结果。该方法结合影像分割、拉曼光谱采集与卷积神经网络分析，实现了对病变组织的精准定位和高效诊断。
本文档来自技高网...【技术保护点】
1.一种病变区域识别方法，其特征在于，包括：
2.根据权利要求1所述的病变区域识别方法，其特征在于，将所述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出所述映射后的光谱数据的诊断结果的步骤之后，所述方法还包括：
3.根据权利要求1所述的病变区域识别方法，其特征在于，对所述初始影像数据进行预处理，确定待分割影像数据的步骤，包括：
4.根据权利要求3所述的病变区域识别方法，其特征在于，基于预设灰度阈值参数，对所述待分割影像数据进行分割，得到预设类型的组织区域，并确定所述组织区域对应的灰度数字信号的步骤，包括：
5.根据权利要求4所述的病变区域识别方法，其特征在于，预设类型的组织区域包括：恶性肿瘤区域、良性肿瘤区域以及坏死组织区域；
6.根据权利要求1所述的病变区域识别方法，其特征在于，所述预先训练好的卷积神经网络模型包括：输入层、多个卷积层、池化层以及全连接层；
7.根据权利要求6所述的病变区域识别方法，其特征在于，所述softmax函数的表达式为：
8.根据权利要求1所述的病变区域识别方法
9.一种病变区域识别系统，其特征在于，包括：
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的病变区域识别方法。
...【技术特征摘要】
1.一种病变区域识别方法，其特征在于，包括：
2.根据权利要求1所述的病变区域识别方法，其特征在于，将所述映射后的光谱数据输入预先训练好的卷积神经网络模型中，输出所述映射后的光谱数据的诊断结果的步骤之后，所述方法还包括：
3.根据权利要求1所述的病变区域识别方法，其特征在于，对所述初始影像数据进行预处理，确定待分割影像数据的步骤，包括：
4.根据权利要求3所述的病变区域识别方法，其特征在于，基于预设灰度阈值参数，对所述待分割影像数据进行分割，得到预设类型的组织区域，并确定所述组织区域对应的灰度数字信号的步骤，包括：
5.根据权利要求4所述的病变区域识别方法，其特征在于，预设类型的组织区域包括：恶性肿瘤区域、良性肿瘤区域以及坏死组织区域...
【专利技术属性】
技术研发人员：韩栋，蔡惠明，王毅庆，刘凯，张静蕾，李莞璐，
申请(专利权)人：南京诺源医疗器械有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。