脑肿瘤的手术切除对患者的治疗效果和生存预后至关重要。然而，由于脑肿瘤与正常脑组织的边界模糊，术中准确识别和切除肿瘤区域极具挑战性。在传统的术中检测技术中，外科医生主要依赖于术中病理、影像学资料和手术导航系统，这些方法虽具有一定的辅助作用，但仍存在多种局限性。

现阶段的术中病理检测依赖快速冰冻切片技术，病理学家可以在几分钟内获得组织样本的病理结果，从而帮助外科医生判断肿瘤的性质和边界。然而，此方法受到样本处理质量的影响，且需要依赖病理学家的主观判断，存在较高的误差风险。此外，基于MRI、CT等的手术导航系统虽然能够提供三维空间定位，但难以提供足够的实时细节，特别是在区分组织微小差异方面存在局限。

在成像技术中，高光谱成像技术以其独特的高光谱分辨率，能够在空间分辨率基础上增加光谱信息，有助于检测和分析不同组织的光谱差异。高光谱成像的优势在于其可以提供每个像素点的光谱数据，通过区分组织的光谱特征，能够更好地识别肿瘤与正常组织的差异，成为医学影像领域的新兴工具。然而，高光谱数据的多维性和复杂性带来了实时处理的挑战，尤其是在术中近实时检测场景中，需要快速高效的算法来提取有效信息。

为此，深度学习技术被引入高光谱图像处理领域，在脑肿瘤检测中取得了显著进展。传统的机器学习方法，如支持向量机（SVM）和K近邻（KNN），通过提取和分类光谱特征应用于脑肿瘤检测，但由于依赖手工特征提取，难以充分利用高光谱图像的多维信息，处理效果有限。近年来，卷积神经网络（CNN）等深度学习方法凭借自动特征提取和分类能力，在高光谱图像的分割和识别方面展现了更优的性能。

此外，注意力机制的引入进一步提升了深度学习在医学影像中的应用效果。注意力机制能够动态调整特征的权重，使得网络可以聚焦于重要区域，减少背景噪声的干扰。在高光谱图像处理任务中，这类方法已经被证明可以提高分割精度和对目标区域的识别能力。然而，这些现有方法在实际应用中仍面临一定的局限性，如计算复杂度高、实时性不足，对信息的利用不充分。

综上所述，现有的脑肿瘤术中检测方法在满足高精度的前提下，难以有效实现实时性和鲁棒性，且未能充分挖掘高光谱图像中的多维信息。因此，开发一种更加高效的分割方法，以实现高光谱图像的术中实时检测，对于提高脑肿瘤的术中检测精度具有重要意义。

本发明公开了一种基于原型注意力网络的高光谱脑肿瘤手术引导分割方法。通过以下步骤实现：通过术中高光谱成像平台采集脑肿瘤的高光谱图像数据，并构建用于训练的标准数据集；设计并构建基于原型注意力网络的高光谱图像分割模型，通过自适应聚焦重要特征，增强肿瘤与正常组织之间的差异性；使用标准数据集对模型进行训练，优化网络参数，从而提高分割精度和实时性能；将训练好的高光谱图像分割模型部署至高光谱图像采集平台，实时处理采集到的脑肿瘤高光谱图像，输出分割结果并生成手术引导信息。本发明的优点是：有效提高脑肿瘤术中实时分割的准确性和效率，为手术提供精准引导。

与现有技术相比，本发明的优点在于：

● 本发明通过结合原型学习和注意力机制，能够有效地聚焦于肿瘤区域，增强肿瘤与正常组织之间的差异性。这使得分割网络在脑肿瘤边界的识别上表现出高精度，尤其对于复杂的肿瘤边界和微小差异的区域，分割结果具有更高的准确性。与传统方法相比，本发明在肿瘤区域的分割上显著提高了精度，减少了背景噪声的干扰，提升了分割的细节表现。

● 本发明通过高效的网络架构设计，能够快速处理术中采集的高光谱图像，并实时给出肿瘤分割结果。该技术适用于动态和快速变化的手术场景，能够为外科医生提供及时的分割信息，帮助医生在手术中做出更精确的决策，提高手术的安全性和效率。

● 通过引入空间感知前馈网络模块，采用多尺度深度可分离卷积，模型能够有效处理高光谱图像中不同空间尺度的特征。该模块增强了网络的鲁棒性，使得在处理具有复杂空间特征和大规模数据时，模型能够保持稳定的性能，不受图像噪声和不同解剖特征的干扰。

● 本发明所设计的原型注意力网络能够充分利用高光谱图像的多波段信息，在复杂的脑肿瘤图像中提取到更为丰富的特征。该技术不仅能够处理单一高光谱图像，还能够适应多模态数据的融合，为肿瘤分割提供更全面的信息支持，提高了分割结果的准确度和可靠性。

● 传统的脑肿瘤分割方法往往依赖人工干预或手动调整阈值，而本发明采用了基于深度学习的自动分割方法，大大减少了人工干预的需求。网络能够自动完成高精度分割过程，降低了人工操作的复杂度，并减少了人为错误的可能性。

● 本发明为脑肿瘤的精准分割和定位提供了高效工具，有助于医生在手术中进行更加精准的肿瘤切除。通过精确识别肿瘤边界，能够为个性化治疗方案的制定提供支持，提高患者的治疗效果和生存率。

● 采用原型注意力机制对高光谱图像的空间和光谱信息进行深度融合，显著增强了肿瘤组织与正常组织的区分能力。特别是在肿瘤周围边缘部分，网络能够准确地识别出微小的病变区域，确保肿瘤的完全切除，避免残留。

本发明实施例数据集构造流程图

本发明实施例基于原型注意力网路的高光谱脑肿瘤分割网络结构图