一种组织工程化周围神经移植物的培养方法及系统与流程

本发明涉及计算机，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系统。

背景技术：

1、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。

技术实现思路

1、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系统，用以解决现有技术中存在的上述问题。

2、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：

3、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；

4、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举例当前时间点的时间点大于其他神经移植物图像对应的时间点的神经移植物图像；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；

5、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；

6、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；

7、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。

8、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；

9、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。

10、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：

11、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；

12、多个神经移植物图像对应获得多个移植物特征矩阵；

13、将多个移植物特征矩阵构成移植物三维矩阵；

14、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；

15、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。

16、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：

17、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；

18、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；

19、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；

20、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。

21、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：

22、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；

23、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。

24、可选的，所述预测变化网络的训练过程：

25、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；

26、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；

27、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；

28、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；

29、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；

30、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；

31、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；

32、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；

33、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。

34、可选的，训练融合矩阵的获取方法，包括：

35、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；

36、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；

37、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；

38、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；

39、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。

40、可选的，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。

41、可选的，所述神经移植物检测网络的训练方法，包括：

42、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；

43、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1表示相似；所述检测值为1表示未相似。

44、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系统，包括：

45、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举例当前时间点的时间点大于其他神经移植物图像对应的时间点的神经移植物图像；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；

46、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；

47、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；

48、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。

49、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系统，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举例当前时间点的时间点大于其他神经移植物图像对应的时间点的神经移植物图像。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。

50、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。