一种输尿管肾盂肿瘤的检测系统、装置及存储介质

1.本技术涉及肿瘤检测技术领域，尤其涉及一种输尿管肾盂肿瘤的检测系统、装置及存储介质。


背景技术：

2.现有的输尿管肾盂肿瘤的检测方法主要是通过输尿管软镜/硬镜的头端摄像头进行实时拍摄，医生基于实时拍摄的图像来寻找哪里有肿瘤，初步判断肿瘤大小、形态及浸润情况，然后利用活检钳抓取组织标本进行病理检测，再结合病灶处的影像信息来判断病灶情况。然而，目前的方法只能判断肿瘤突出部分的情况，无法判断肿瘤的浸润深度，对局部病灶的判断能力有限，难以准确地评估患者肿瘤的恶性程度；而且医生需要等病理检测结果出来才能进行判断，对病灶情况的判断不及时。可见，现有技术存在对肿瘤的检测准确性差且无法及时评估病情的问题。


技术实现要素：

3.本技术提供了一种输尿管肾盂肿瘤的检测系统、装置及存储介质，能够提高对肿瘤的检测准确性，并及时评估病情。
4.第一方面，本技术实施例提供了一种输尿管肾盂肿瘤的检测系统，该系统包括：
5.图像获取模块，用于通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像；
6.模型检测模块，用于通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，训练好的卷积神经网络模型用于根据肿瘤的拉曼光谱图像得到该肿瘤的浸润深度，并根据该肿瘤的浸润深度确定该肿瘤对应的肿瘤类型；
7.结果输出模块，用于输出待检测肿瘤的浸润深度和肿瘤类型。
8.在其中一个实施例中，该系统还包括：
9.训练图像获取模块，用于获取多张训练图像，训练图像为标注有浸润深度和肿瘤类型的输尿管镜下检测位置的拉曼光谱图像；
10.神经网络训练模块，用于基于多张训练图像对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
11.在其中一个实施例中，训练图像获取模块包括：
12.原始图像获取单元，用于获取多张原始图像；多张原始图像包括不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像、无浸润的输尿管肾盂肿瘤的拉曼光谱图像及正常组织的拉曼光谱图像；
13.原始图像标注单元，用于获取多张原始图像中的每张原始图像对应的标注信息，并根据每张原始图像对应的标注信息对该原始图像进行标注，得到多张训练图像；标注信息包括浸润深度和肿瘤类型。
14.在其中一个实施例中，神经网络训练模块包括：
15.训练图像分配单元，用于按照预设比例将多张训练图像随机分配为训练集和测试集；
16.神经网络训练单元，用于通过训练集中的训练图像对预设的卷积神经网络模型进行训练；
17.神经网络验证单元，用于使用测试集中的训练图像对训练后的卷积神经网络模型进行验证，得到训练好的卷积神经网络模型。
18.在其中一个实施例中，结果输出模块具体用于将待检测肿瘤的浸润深度和肿瘤类型输出给显示设备进行显示。
19.在其中一个实施例中，不同浸润深度的输尿管肾盂肿瘤包括无浸润的原位癌、浸润上皮下结缔组织的t1期肿瘤及浸润肌层的t2期肿瘤。
20.第二方面，本技术另一实施例提供了一种输尿管肾盂肿瘤的检测装置，该装置包括软镜鞘、软镜镜头、拉曼光谱探头、手柄、显示设备及计算机设备；软镜镜头和拉曼光谱探头并行设于软镜鞘中，手柄设于软镜鞘末端的外侧，计算机设备设于软镜鞘末端且分别与软镜镜头、拉曼光谱探头及显示设备连接；
21.计算机设备包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：
22.通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像；
23.通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，训练好的卷积神经网络模型用于根据肿瘤的拉曼光谱图像得到该肿瘤的浸润深度，并根据该肿瘤的浸润深度确定该肿瘤对应的肿瘤类型；
24.输出待检测肿瘤的浸润深度和肿瘤类型。
25.在其中一个实施例中，处理器调用存储器中的计算机程序时还执行如下步骤：
26.获取多张训练图像，训练图像为标注有浸润深度和肿瘤类型的输尿管镜下检测位置的拉曼光谱图像；
27.基于多张训练图像对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
28.在其中一个实施例中，处理器调用存储器中的计算机程序时执行输出待检测肿瘤的浸润深度和肿瘤类型的步骤，包括：
29.将待检测肿瘤的浸润深度和肿瘤类型输出给显示设备进行显示。
30.第三方面，本技术一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如下步骤：
31.通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像；
32.通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，训练好的卷积神经网络模型用于根据肿瘤的拉曼光谱图像得到该肿瘤的浸润深度，并根据该肿瘤的浸润深度确定该肿瘤对应的肿瘤
类型；
33.输出待检测肿瘤的浸润深度和肿瘤类型。
34.综上所述，与现有技术相比，本技术实施例提供的技术方案带来的有益效果至少包括：
35.本技术实施例提供的一种输尿管肾盂肿瘤的检测系统，可以在软镜头端除了配备摄像头外，还配备拉曼光谱探头，通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像；然后通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；最后输出待检测肿瘤的浸润深度和肿瘤类型。其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，可以通过识别不同类型肿瘤的拉曼光谱图像来自动判断肿瘤浸润深度，然后根据肿瘤浸润深度确定肿瘤类型。因此，上述系统可根据待检测肿瘤的拉曼光谱图像得到其浸润深度，并根据浸润深度确定待检测肿瘤的肿瘤类型，既能提高对肿瘤的检测准确性，又能及时对肿瘤情况进行判断，从而在术中探查过程中即可对肿瘤浸润情况进行初步评估。
附图说明
36.图1为本技术一个示例性实施例提供的输尿管肾盂肿瘤的检测系统的结构图。
37.图2为本技术另一个示例性实施例提供的输尿管肾盂肿瘤的检测系统的结构图。
38.图3为本技术另一个示例性实施例提供的训练图像获取模块的结构图。
39.图4为本技术另一个示例性实施例提供的神经网络训练模块的结构图。
40.图5为本技术一个示例性实施例提供的输尿管肾盂肿瘤的检测装置的结构图。
41.图中：1、软镜镜头；2、拉曼光谱探头；3、软镜鞘；4、手柄；5、计算机设备；6、显示设备。
具体实施方式
42.下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
43.本技术的一个实施例提供了一种输尿管肾盂肿瘤的检测系统，请参见图1，该系统包括：
44.图像获取模块100，用于通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像。
45.其中，图像获取模块100可以为数据处理器的数据接收端口，接收拉曼光谱探头发送过来的待检测肿瘤的拉曼光谱图像。拉曼光谱(raman spectra)是一种散射光谱。光照射到物质上发生弹性散射和非弹性散射。弹性散射的散射光是与激发光波长相同的成分,非弹性散射的散射光有比激发光波长长的和短的成分，统称为拉曼效应。拉曼效应是光子与光学支声子相互作用的结果。由于拉曼效应起源于分子振动与转动，因此从拉曼光谱图像中可以得到分子振动能级与转动能级结构的信息。
46.模型检测模块200，用于通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型。
47.其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，训练好的卷积神经网络模型用于根据肿瘤的拉曼光谱图像得到该肿瘤的浸润深度，并根据该肿瘤的浸润深度确定该肿瘤对应的肿瘤类型。
48.具体实施时，卷积神经网络模型可以采用现有技术中常用的分类网络，例如vgg-16、densenet或resnet等，除了本实施例中提及的上述分类网络外，本实施例还可通过其他常见的卷积神经网络进行肿瘤检测，同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
49.在一些实施方式中，不同浸润深度的输尿管肾盂肿瘤包括无浸润的原位癌、浸润上皮下结缔组织的t1期肿瘤及浸润肌层的t2期肿瘤。具体地，由于不同浸润深度的肿瘤对应的拉曼光谱图像中拉曼波峰参数不同，因此基于肿瘤浸润深度与拉曼波峰参数的对应关系，可将待检测肿瘤分为无浸润的原位癌、浸润上皮下结缔组织的t1期肿瘤及浸润肌层的t2期肿瘤。
50.结果输出模块300，用于输出待检测肿瘤的浸润深度和肿瘤类型。
51.具体地，结果输出模块可以用于将待检测肿瘤的浸润深度和肿瘤类型输出给显示设备进行显示，作为对影像的补充，便于查看该系统对肿瘤的初步评估结果，可以为临床诊断提供更加全面的证据。
52.上述实施例提供的一种输尿管肾盂肿瘤的检测系统，可以在软镜头端除了配备摄像头外，还配备拉曼光谱探头，通过拉曼光谱探头获取待检测肿瘤的拉曼光谱图像；然后通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；最后输出待检测肿瘤的浸润深度和肿瘤类型。其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，可以通过识别不同类型肿瘤的拉曼光谱图像来自动判断肿瘤浸润深度，然后根据肿瘤浸润深度确定肿瘤类型。因此，上述系统可根据待检测肿瘤的拉曼光谱图像得到其浸润深度，并根据浸润深度确定待检测肿瘤的肿瘤类型，既能提高对肿瘤的检测准确性，又能及时对肿瘤情况进行判断，从而在术中探查过程中即可对肿瘤浸润情况进行初步评估，实现输尿管肾盂肿瘤的自动检测。
53.在一些实施例中，为了得到训练好的卷积神经网络模型，请参见图2，该系统还包括：
54.训练图像获取模块400，用于获取多张训练图像，训练图像为标注有浸润深度和肿瘤类型的输尿管镜下检测位置的拉曼光谱图像。
55.其中，请参见图3，训练图像获取模块400包括：
56.原始图像获取单元401，用于获取多张原始图像；多张原始图像包括不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像、无浸润的输尿管肾盂肿瘤的拉曼光谱图像及正常组织的拉曼光谱图像。
57.具体实施时，为了更好地训练卷积神经网络模型，获取的原始图像的数量应不少于一定数量，比如500张、800张、1000张或更大数值。
58.原始图像标注单元402，用于获取多张原始图像中的每张原始图像对应的标注信息，并根据每张原始图像对应的标注信息对该原始图像进行标注，得到多张训练图像；标注信息包括浸润深度和肿瘤类型。
59.其中，在原始图像为不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像时，其对应的标注信息中浸润深度为肿瘤实际上的浸润深度值或浸润深度范围，标注的肿瘤类型为浸润上皮下结缔组织的t1期肿瘤或浸润肌层的t2期肿瘤；在原始图像为无浸润的原位癌的拉曼光谱图像时，其对应的标注信息中浸润深度为零；在原始图像为正常组织的拉曼光谱图像时，只需标注该原始图像为正常组织，可以不标注其对应的浸润深度为零，或将其对应的浸润深度标注为空值。
60.例如：正常组织的拉曼光谱位于860cm-1
～1939cm-1
处的拉曼谱线强度明显比癌变组织中的相应光谱强度高，并且在1555cm-1
～1560cm-1
波数范围内处有明显的拉曼峰；相较于正常组织，无浸润的原位癌组织的拉曼光谱特性在1650cm-1
～1760cm-1
处的峰值发生了下降，而在1850cm-1
～1960cm-1
处的峰值发生了升高；t1期肿瘤组织的拉曼光谱特性在1950cm-1
～2050cm-1
处的峰值发生了下降，而在2050cm-1
～2170cm-1
处的峰值发生了升高；t2期肿瘤组织的拉曼光谱特性在2150cm-1
～2250cm-1
处的峰值发生了下降，而在2250cm-1
～2370cm-1
处的峰值发生了升高；正常组织和肿瘤组织的光谱的形状在2350cm-1
～2470cm-1
区间也存在着明显的差异。
61.具体实施时，医生可以在手术过程中利用拉曼光谱图像来检测不同尿路上皮细胞癌对应的拉曼波峰参数，并将同一病例的拉曼波峰参数与其影像学资料和术后标本检测结果进行对应，从而确定不同浸润深度的肿瘤所表现出的不同的拉曼波峰参数。
62.神经网络训练模块500，用于基于多张训练图像对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
63.其中，请参见图4，神经网络训练模块500包括：
64.训练图像分配单元501，用于按照预设比例将多张训练图像随机分配为训练集和测试集。
65.其中，预设比例可以为八比二、六比四等。具体地，将多张训练图像中的80％分给训练集，余下的20％分给测试集。
66.神经网络训练单元502，用于通过训练集中的训练图像对预设的卷积神经网络模型进行训练。
67.具体地，神经网络训练单元502通过训练集对卷积神经网络模型进行训练，卷积神经网络模型提取出训练图像中肿瘤的拉曼峰值参数，并基于拉曼峰值参数判断肿瘤浸润深度，将卷积神经网络模型判断的肿瘤浸润深度与标注的实际浸润深度进行对比来持续优化卷积神经网络模型，使得训练后的卷积神经网络模型具备更高的准确性。
68.神经网络验证单元503，用于使用测试集中的训练图像对训练后的卷积神经网络模型进行验证，得到训练好的卷积神经网络模型。
69.上述实施例可以利用训练集对卷积神经网络模型进行训练，再利用测试集对训练后的卷积神经网络模型进行验证，进一步保证训练好的卷积神经网络模型对肿瘤的检测准确性。
70.本技术的一个实施例提供了一种输尿管肾盂肿瘤的检测装置，请参见图5，该装置包括软镜镜头1、拉曼光谱探头2、软镜鞘3、手柄4、计算机设备5及显示设备6；软镜镜头1和拉曼光谱探头2并行设于软镜鞘3中，手柄4设于软镜鞘3末端的外侧，计算机设备5设于软镜鞘3末端且分别与软镜镜头1、拉曼光谱探头2及显示设备6连接。
71.计算机设备5包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行如下步骤：
72.通过拉曼光谱探头2获取待检测肿瘤的拉曼光谱图像。
73.通过训练好的卷积神经网络模型对待检测肿瘤的拉曼光谱图像进行识别，得到待检测肿瘤的浸润深度和肿瘤类型；其中，训练好的卷积神经网络模型是基于不同浸润深度的输尿管肾盂肿瘤的拉曼光谱图像训练得到的，训练好的卷积神经网络模型用于根据肿瘤的拉曼光谱图像得到该肿瘤的浸润深度，并根据该肿瘤的浸润深度确定该肿瘤对应的肿瘤类型。
74.输出待检测肿瘤的浸润深度和肿瘤类型。
75.其中，软镜镜头1、软镜鞘3和手柄4可以使用现有技术中的输尿管软镜结构，在软镜鞘3中增设拉曼光谱探头2，软镜镜头1拍摄的影像数据和拉曼光谱探头2获取到的拉曼光谱图像都被发送给计算机设备5进行处理。本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
76.具体地，医生将软镜鞘3伸入患者体内，通过显示设备6查看软镜镜头1实时拍摄的影像来寻找肿瘤，发现肿瘤后，利用拉曼光谱探头2检测该肿瘤的拉曼光谱图像，计算机设备5获取到肿瘤的拉曼光谱图像之后，通过训练好的卷积神经网络模型进行识别，输出该肿瘤的浸润深度和肿瘤类型。
77.对于本实施例中上述步骤的说明，请参见上述各系统实施例中对于图像获取模块100、模型检测模块200及结果输出模块300的说明内容，在此不再加以赘述。
78.在一些实施例中，处理器调用存储器中的计算机程序时还执行如下步骤：
79.获取多张训练图像，训练图像为标注有浸润深度和肿瘤类型的输尿管镜下检测位置的拉曼光谱图像；
80.基于多张训练图像对预设的卷积神经网络模型进行训练，得到训练好的卷积神经网络模型。
81.对于本实施例中上述步骤的说明，请参见上述各系统实施例中对于训练图像获取模块400和神经网络训练模块500的说明内容，在此不再加以赘述。
82.在一些实施例中，处理器调用存储器中的计算机程序时执行输出待检测肿瘤的浸润深度和肿瘤类型的步骤，包括：将待检测肿瘤的浸润深度和肿瘤类型输出给显示设备进行显示。
83.对于本实施例中上述步骤的说明，请参见上述各系统实施例中对于结果输出模块300的说明内容，在此不再加以赘述。
84.具体实施时，该计算机设备可以是终端，处理器用于提供计算和控制能力，存储器包括非易失性存储介质和内存储器，非易失性存储介质存储有操作系统和计算机程序，内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
85.本技术的一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述各实施例中输尿管肾盂肿瘤的检测装置的计算机设备所执行的步骤。
86.其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memory stick)等，所述计算机可以是通用计算机、专用
计算机、计算机网络、或者其他可编程装置。
87.本实施例中提供的计算机可读存储介质的工作过程、工作细节和技术效果，可以参见上文中关于输尿管肾盂肿瘤的检测系统的实施例，于此不再赘述。
88.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或装置实施例而言，由于其基本相似于系统实施例，所以描述得比较简单，相关之处参见系统实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
89.以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方案及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本技术的限制。
90.以上所述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。