CN103645170A - 一种利用拉曼光谱检测肿瘤性质的装置 - Google Patents
一种利用拉曼光谱检测肿瘤性质的装置 Download PDFInfo
- Publication number
- CN103645170A CN103645170A CN201310642363.0A CN201310642363A CN103645170A CN 103645170 A CN103645170 A CN 103645170A CN 201310642363 A CN201310642363 A CN 201310642363A CN 103645170 A CN103645170 A CN 103645170A
- Authority
- CN
- China
- Prior art keywords
- light source
- raman
- raman spectrum
- spectrum
- spectrometer
- 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.)
- Granted
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开一种利用拉曼光谱检测肿瘤性质的装置,包括:光谱仪模块,包括激光光源和拉曼光谱仪;所述激光光源用于提供检测所需的激光,所述拉曼光谱仪用于获取样本的拉曼光谱,得到含有样本分子信息的数字信号;采样模块,包括光纤和光纤探头,所述光纤探头用于收集拉曼光谱,所述光纤实现激光光源与光纤探头之间、光纤探头与拉曼光谱仪之间的连接;控制和数据处理模块,包括嵌入式微处理器,分别与激光光源和拉曼光谱仪连接,实现检测过程中对拉曼光谱仪和激光光源的控制,并通过读取拉曼光谱仪采集到的数字信号,经过光谱数据处理完成肿瘤性质的判别。采用本发明的支持在体或离体检测的便携式装置,能够对肿瘤的性质进行快速临床诊断。
Description
技术领域
本发明涉及医疗检测设备,尤其涉及一种利用拉曼光谱检测肿瘤性质的装置。
背景技术
恶性肿瘤已成为全球范围内严重危害人类健康及生命的重大疾病之一,在我国城市居民死亡率中占首要位置,严重威胁人类健康。对于恶性肿瘤,早发现、早诊断、早治疗是改善患者生存质量、延长患者生存时间的关键。
拉曼光谱作为一种分子光谱,能够反映生物分子的结构信息及其性质变化。由于肿瘤形成过程中必伴有糖类、脂类、蛋白质、核酸等构成细胞和组织的主要生物分子在构型、构象和数量上发生明显的变化,而这些变化的发生早于临床症状和医学影像上“占位效应”的出现,因此分子光谱技术对于肿瘤进行早期诊断方面存在潜能。
拉曼光谱具有快速、不受水分干扰、灵敏度高等优点,在肿瘤早期实时诊断中具有明显优势。大多数研究者利用傅里叶-拉曼光谱仪、显微共焦拉曼光谱仪获取拉曼光谱诊断肿瘤,有的通过对样品进行基底处理后获取其表面增强拉曼光谱。这些技术中有些存在仪器体积庞大、价格昂贵的问题,有些需要对样品进行处理,容易损伤样品,均不易于实现临床便携式应用。相反,微型激光拉曼光谱仪可以实现低成本便携式现场快速检测肿瘤装置的构建。785nm激光为近红外光,对生物组织的荧光有较好的抑制效果,且与其搭配的微型光纤光谱仪体积小、价格便宜。然而如何利用785nm激光光源研制基于拉曼光谱检测肿瘤性质的产品,实现肿瘤性质的在体或离体检测,同时又能实现仪器价格低廉,体积小巧,易于便携,成为本领域技术人员亟待解决的技术难题。
发明内容
本发明要解决的技术问题是提供一种利用拉曼光谱检测肿瘤性质的装置,以实现肿瘤性质的便携式快速临床诊断,并支持实时在体或离体检测。
为达到上述目的,本发明的技术方案是这样实现的:
一种利用拉曼光谱检测肿瘤性质的装置,包括:光谱仪模块和采样模块,还包括控制和数据处理模块;其中:
光谱仪模块,包括激光光源和拉曼光谱仪;所述激光光源用于提供检测所需的激光,所述拉曼光谱仪用于获取样本的拉曼光谱,得到含有样本分子信息的数字信号;
采样模块,包括光纤和光纤探头,所述光纤探头用于收集拉曼光谱,所述光纤实现激光光源与光纤探头之间、光纤探头与拉曼光谱仪之间的连接;及
控制和数据处理模块,包括嵌入式微处理器,分别与激光光源和拉曼光谱仪连接,实现检测过程中对拉曼光谱仪和激光光源的控制,并通过读取拉曼光谱仪采集到的数字信号,经过光谱数据处理完成肿瘤性质的判别。
其中,所述采样模块还包括遮光器,设置于光纤探头的外部,对光纤探头进行遮光,并固定检测距离,实现稳距测量。
所述控制和数据处理模块,进一步包括分别与所述嵌入式微处理器连接的按键控制模块、串口通信模块和液晶显示电路,用于完成检测过程中的按键控制、数据传输以及处理结果的显示;其中串口通信模块还用于实现嵌入式微处理器与拉曼光谱仪之间、嵌入式微处理与上位机之间的串口通讯。
所述控制和数据处理模块,包括嵌入式微处理器内部的计算模块、数据存储单元,分别用于实现相应的模式识别运算、肿瘤性质的识别结果的存储。
所述嵌入式微处理器采用模式识别算法模型进行肿瘤性质判别。
利用该嵌入式处理器对肿瘤性质进行判别的过程,包括:对光谱数据进行光谱预处理的过程;以及对预处理后光谱进行Kmeans-ALHK模式识别的过程。
所述对光谱数据进行光谱预处理的过程,包括:对训练集、预测集进行小 波软阈值处理,消除光谱信号中的高频噪声;对训练集、预测集进行多项式拟合,消除光谱信号中的荧光干扰背景;对训练集进行标准化处理,使其均值为0,标准差为1;依据训练集的均值、标准差,对预测集进行标准化处理,使其均值为0,标准差为1。
所述对预处理后光谱进行Kmeans-ALHK模式识别的过程,包括:利用Kmeans聚类方法对训练集进行划分,将训练集划分为更小的类;计算各类中预测样本与所划分小类中心样本的距离,依据最小距离值确定预测样本所归属的小类,代替该类全部样本进行训练,从而形成新的训练集,使得数据量大大减少,运算速度也进一步提高;计算新训练集中训练样本的特征权重;依据特征权重,计算预测样本与新训练集的权重欧氏距离;依据欧氏距离,从各类样本中寻找预测样本的K个最近邻;依据各类中K个最近邻构建各类的超平面;识别归属于预测样本到超平面距离最短的那一个类;最后,将判别结果输出到液晶显示装置进行显示。
所述激光光源的波长为785nm,包括光源和光源驱动电路,所述光源驱动电路用以驱动光源,且与所述嵌入式微处理器相连。
所述嵌入式微处理器采用DSP控制系统,主要结构为DSP TMS320F2812芯片,配合外围电路,用以实现拉曼光谱数据采集、处理和计算以及存储、结果显示功能。
本发明所提供的利用拉曼光谱检测肿瘤性质的装置,具有以下优点:
该装置采用拉曼光谱分析技术,实现了操作简便、快速及无创测量。其通过采用便携式拉曼光谱仪及独立的侵入式微处理器,实现了肿瘤性质的低成本、便携式、快速、临床检测。其光纤探头采用遮光器处理,实现检测距离的选择、固定,并消除外界环境光的影响,提高获取拉曼光谱的质量。采用嵌入式微处理器,控制激发光源的快速开闭,通过光纤实现肿瘤组织拉曼光谱的无创、快速采集。利用该装置在识别肿瘤性质的识别模型中采用自适应聚类超平面K近邻方法,大大降低了计算量,实现了肿瘤性质的快速诊断。
附图说明
图1为本发明提供的利用拉曼光谱检测肿瘤性质的装置的整体组成框图;
图2为本发明提供的利用拉曼光谱检测肿瘤性质的装置的整体连接示意图;
图3为利用本发明提供的利用拉曼光谱检测肿瘤性质的装置进行检测的流程图;
图4为检测过程中图3中步骤F中的具体实现流程图;
图5为DSP TMS320F2812芯片的电路结构图;
图6为WRB1205YMD-6W电源芯片的电路结构图;
图7为TPS767D318电源芯片的电路结构图;
图8为本发明中串口通信电路的电路结构图;
图9为本发明中液晶显示模块的电路结构图;
图10-A为实施例中第一天获取乳腺组织的正常状态下原始拉曼光谱;
图10-B为实施例中第一天获取乳腺组织的肿瘤性质下原始拉曼光谱;
图11-A为实施例中第二天获取乳腺组织的正常状态下原始拉曼光谱
图11-B为实施例中第二天获取乳腺组织的肿瘤性质下原始拉曼光谱。
【主要部件符号说明】
1:光谱仪模块;101:激光光源;102:拉曼光谱仪;
1011:光源;1012:光源驱动电路;1021:光栅;1022:电荷耦合元件(CCD);1023:信号调理电路;1024:A/D转换器;
2:采样模块;201:光纤;202:光纤探头;203:遮光器;
3:控制和数据处理模块;301:嵌入式控制系统;302:按键控制模块;303:液晶显示装置;304:串口通信模块。
具体实施方式
下面结合附图和具体实施例对本发明的装置作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举乳腺肿瘤性质检测的实 施例不作为对本发明的限定。
图1为本发明提供的利用拉曼光谱检测肿瘤性质的装置的整体组成框图;图2为本发明提供的利用拉曼光谱检测肿瘤性质的装置的整体连接示意图。如图1、图2所示,该利用拉曼光谱检测肿瘤性质的装置主要包括如下模块:
光谱仪模块1:主要包括激光光源101和拉曼光谱仪102。激光光源101提供检测所需的785nm的激光,拉曼光谱仪102用于获取样本的拉曼光谱,完成光信号向电信号的转换,得到含有样本分子信息的数字信号。
采样模块2:包括光纤201、光纤探头202以及遮光器203,其作用是实现采样光纤的遮光及稳距处理,以便更准确地采集组织的拉曼光谱。
控制和数据处理模块3:主要包括嵌入式控制系统301、按键控制模块302、液晶显示装置303、串口通信模块304,用于实现检测过程中拉曼光谱仪的控制、数据计算、数据存储、数据传输以及数据显示等功能。通过读取拉曼光谱仪采集到的数字信号,经过光谱预处理,通过模式识别算法模型对肿瘤的性质进行判别,并通过液晶显示装置输出显示判别结果。
其中,所述激光光源101,为整个装置提供稳定的785nm波长的拉曼激光光源,包括光源1011和光源驱动电路1012,通过该光源驱动电路1012驱动所述激光光源。
所述拉曼光谱仪接收光谱,实施关键的采集光谱作用,包括顺次连接的光栅1021、电荷耦合元件(CCD)1022、信号调理电路1023、A/D转换器1024。
所述光纤采用Y型光纤,实现激光光源、光纤探头202之间以及光纤探头202、拉曼光谱仪之间的相互连接,成为激发、接收光谱的通道。
其中,所述光纤探头202用于收集拉曼光谱;所述遮光器用于对光纤探头进行遮光,设置于光纤探头的外部,屏蔽外界环境光的影响,使得进行光谱采集时便于操作,防止人为关闭外界光源影响其它工作的实施。同时遮光器可用于固定检测距离,实现稳距测量,其末端为绝缘材料,且可做消菌处理,用于直接接触乳腺组织,便于光纤探头能够高质量的采集拉曼光谱。
所述嵌入式控制系统301采用嵌入式微处理器,用于实现按键控制、液晶 显示、串口通信等电路控制,并实现光谱数据的采集、光谱数据的存储、光谱数据的处理以及最终判别结果的显示。
所述控制和数据处理模块3用于实现控制和数据处理,具体如下:
实现控制部分具体为:采用嵌入式微处理器301对光源驱动电路和光谱仪数据采集系统进行控制,实现光源的快速开闭,以及光谱数据的快速采集,实现无创检测。具体连接为,所述的嵌入式微处理器301与光源驱动电路连接,以实现对光源的控制,所述嵌入式微处理器301还与拉曼光谱仪的A/D转换器1024相连接,以实现控制光谱数据采集。
实现数据处理的过程具体为:所述嵌入式控制系统301对数据处理过程进行控制,根据相应流程执行相应的数据处理、计算过程;对串口通信模块304进行控制,以实现拉曼光谱仪、嵌入式微处理器之间、以及嵌入式微处理器、上位机之间的通信。具体连接方式如下:所述嵌入式微处理器分别与按键控制模块302、液晶显示装置303、串口通信模块304进行连接,且通过串口通信模块304连接有上位机。
所述控制和数据处理模块3还包括计算模块,在嵌入式微处理器301控制下读取数据存储单元中的测量数据,然后依据相应流程执行相应的运算,最后将肿瘤性质的识别结果存储于数据存储单元。
图3为利用本发明提供的利用拉曼光谱检测肿瘤性质的装置进行检测的流程图。如图3所示,该检测过程包括如下步骤:
步骤A:开始检测。
步骤B:系统初始化。
步骤C:距离调整及参数设置。
步骤D:采集暗光谱。
步骤E:采集样本光谱。
步骤F:依据输入数据与模式识别算法模型判别乳腺肿瘤的性质。
步骤G:判别结果的输出显示。
步骤H:结束。
其中:所述检测过程的步骤C中,可通过选择不同长度的遮光器203(长度范围可选3mm~10mm),可以与不同焦距的微型光纤光谱仪即拉曼光谱仪进行搭配,实现距离的固定以及环境的遮光;然后依据激发光源的功率(10mW~100mW)的大小设置积分时间(0.5s~3s),进行无创、快速的采集光谱。
所述检测过程的步骤E中,通过嵌入式微处理器301的控制,实现光源的快速开闭,使得样本光谱采集完毕后及时关闭激光光源,为检测过程中无创检测进一步提供保障。
所述检测过程的步骤F中,嵌入式微处理器301采用快速分类识别方法即自适应聚类超平面K近邻方法(Kmeans-ALHK),此分类方法是基于KNN的改进,引入特征权重,结合Kmeans聚类并传承SVM寻求最优超平面的思想而形成的。所述步骤F的判别过程如图4所示,主要包括:
1)首先,对光谱数据进行光谱预处理。具体为:
步骤F1、对训练集、预测集进行小波软阈值处理,消除光谱信号中的高频噪声;
步骤F2、对训练集、预测集进行多项式拟合,消除光谱信号中的荧光干扰背景;
步骤F3、对训练集进行标准化处理,使其均值为0,标准差为1;
步骤F4、依据训练集的均值、标准差,对预测集进行标准化处理,使其均值为0,标准差为1。
2)然后对预处理后光谱进行Kmeans-ALHK模式识别。具体包括:
步骤F5、利用Kmeans聚类方法对训练集进行划分,将训练集划分为更小的类;
步骤F6、计算各类中预测样本与所划分小类中心样本的距离,依据最小距离值确定预测样本所归属的小类,代替该类全部样本进行训练,从而形成新的训练集,使得数据量大大减少,运算速度也进一步提高;
步骤F7、计算新训练集中训练样本的特征权重;
步骤F8、依据特征权重,计算预测样本与新训练集的权重欧氏距离;
步骤F9、依据欧氏距离,从各类样本中寻找预测样本的K个最近邻;
步骤F10、依据各类中K个最近邻构建各类的超平面;
步骤F11、识别归属于预测样本到超平面距离最短的那一个类;
步骤F12、将判别结果输出进行显示。
下面举例对本发明利用拉曼光谱检测肿瘤性质的装置的实现过程进行说明。
在该实施例中,所述装置包含的主要结构部件:
1、激光光源101:采用Laser-785型激光器。
采用Laser-785-LAB-ADJ拉曼光谱激光器,其为一台特别为拉曼光谱学应用所开发的功率可调连续激光器。这台可调功率激发源内置了集成激光器驱动源,一个TEC热电致冷器,一个TEC控制器和用于控制高达100kHz输入信号的TTL调制端口,Laser-785具有较窄的谱宽,仅仅0.2nm,使用时需预热15分钟就可以达到稳定。
2、拉曼光谱仪:采用QE65Pro型号光谱仪。
QE65Pro科研级拉曼光谱仪具有高量子效率(高达90%)的同时,还含有一个对紫外线感应能力超强的薄型背照式(Back-thinned)探测器,其二维像素排列(水平1044像素×垂直64像素)可以响应波长范围为200nm~1000nm的光信号。扫描范围0~1960cm-1;扫描间隔2cm-1。
3、光纤探头:采用RIP-RPB-785型号光纤探头。
RIP-RPB-785光纤探头是实验室级探头,采用不锈钢材质,焦距为7.5mm,包括两根光纤(105μm激发光纤,200μm标准收集光纤)以及滤光元件,N.A.为0.22,用于设定激发波长785nm。
4、所述嵌入式微处理器301采用数字信号处理(DSP)控制系统,其主要结构为DSP TMS320F2812芯片。
DSP控制系统采用DSP芯片,主要以DSP TMS320F2812芯片为控制核心,加入外围电路,实现拉曼光谱数据采集、处理和计算以及存储、结果显示等功能。DSP TMS320F2812芯片为32位的定点DSP控制系统,适用于大量数据处 理。
DSP TMS320F2812芯片的结构,如图5所示,其实际工作时需要有一个电源芯片为其提供电压,下面主要对电源芯片、串行通信模块以及液晶显示模块的设计进行简要的分析。其中:
(1)电源芯片。DSP TMS320F2812芯片工作时所要求的电压包括两部分,一部分是+3.3V的I/O和Flash编程电压,另一部分是+1.8V的内核电压。
由于芯片TMS320F2812芯片对电源非常敏感,所以有必要选取电压精度比较高的电源芯片。本发明首先选用WRB1205YMD-6W电源芯片为DSP TMS320F2812芯片实现电压+12V到+5V的转换,WRB1205YMD-6W电源芯片可以有效地隔离外界干扰,提供稳定的5V;然后再选用TPS767D318电源芯片为DSP供电,该芯片的输入电压为+5V,芯片正常工作之后,能够产生稳定的+3.3V和+1.8V电压。
图6、图7分别为现有的WRB1205YMD-6W电源芯片实现+12V转+5V的电路结构图和TPS767D318电源芯片实现+5V转+3.3V、+1.8V的电路结构图。
(2)串行通信模块。串行通信接口(SCI)是一个双线制异步串行接口,即通常所说的UART。SCI的接收器和发送器具有各自独立的使能位和中断位,且两者可以独立地进行半双工或者全双工通信。
DSP TMS320F2812芯片有两组SCI口,分别为SCIA和SCIB。本发明串行通讯模块选用MAX3232芯片设计串口通信电路,该芯片具有两个发送和接收通道,正好满足系统所需要的两个RS-232串行接口。在电路设计中,两个串行接口,一个用于连接拉曼光谱仪,实现拉曼光谱仪与DSP芯片的串行通讯,另一个用于连接计算机即上位机,用于计算机与DSP芯片的串行通讯,实现上位机、DSP芯片、拉曼光谱仪三者之间的互相通讯,该串行通讯模块具体串口通信电路设计如图8所示。
(3)液晶显示模块。液晶显示模块为液晶屏,为人为操作提供方便,本发明选用带有中文字库图形点阵的液晶显示模块LCM128645ZK进行液晶显示,该模块的液晶屏幕为128×64,可显示四行,每行可显示8个汉字,其具体的设计 电路如图9所示。
应用本发明的实施例提供的利用拉曼光谱检测肿瘤性质的装置进行检测时,其主要过程如下:
A、打开主机电源,为装置的各单元和自身的各个功能模块供电;
B、执行系统初始化操作,拉曼光谱仪预热约15分钟,使系统进入工作状态,清除数据存储单元中的数据,为各模块赋初始状态值。并准备样本,将样本放到石英池中,压平;
C、选择8mm的光纤遮光器,激光功率设置为100mW;
D、关闭光源,采集暗光谱;
E、然后开启光源,采集样本光谱;
F、将采集的光谱数据代入模式识别算法模型,进行肿瘤性质的判别;
G、将判别结果在液晶显示模块上输出、显示;
H、关闭光源,整理装置,结束检测全过程。
本实施例对4个乳腺正常、12个乳腺肿瘤组织样本进行光谱采集,并进行了不同天的实验。第一天获取75条拉曼光谱,第二天获取58条拉曼光谱,截取700cm-1~1800cm-1波数范围后的原始光谱如图10-A、10-B、图11-A、图11-B所示。
将第一天的光谱数据作为训练集,将第二天的光谱数据作为预测集,对训练集、预测集按照如图4所示的流程图进行操作处理,具体如下:
1)首先对光谱数据进行光谱预处理,具体为:
步骤F1、对训练集、预测集进行小波软阈值处理,消除光谱信号中的高频噪声;
步骤F2、对训练集、预测集进行多项式拟合,消除光谱信号中的荧光干扰背景;
步骤F3、对训练集进行标准化处理,使其均值为0,标准差为1;
步骤F4、依据训练集的均值、标准差,对预测集进行标准化处理,使其均值为0,标准差为1。
2)然后对预处理后光谱进行Kmeans-ALHK模式识别,具体为:
步骤F5、利用Kmeans聚类方法对训练集进行划分,将训练集划分为更小的类;
步骤F6、计算各类中预测样本与所划分小类中心样本的距离,依据最小距离值确定预测样本所归属的小类,代替该类全部样本进行训练,从而形成新的训练集,使得数据量大大减少,运算速度也进一步提高;
步骤F7、计算新训练集中训练样本的特征权重;
步骤F8、依据特征权重,计算预测样本与新训练集的权重欧氏距离;
步骤F9、依据欧氏距离,从各类样本中寻找预测样本的K个最近邻;
步骤F10、依据各类中K个最近邻构建各类的超平面;
步骤F11、识别:归属于预测样本到超平面距离最短的那一类;
步骤F12、将判别结果输出显示。
本实施例中的判别结果的预测集分类判别结果如下表1所示,预测集各项分类指标结果如表2所示:
表1:预测集的分类判别结果
预测癌症个数(T+) | 预测正常个数(T-) | |
真实癌症个数(D+) | 40 | 0 |
真实正常个数(D-) | 4 | 14 |
表2:预测集的各分类指标结果
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种利用拉曼光谱检测肿瘤性质的装置,包括光谱仪模块和采样模块,其特征在于,还包括控制和数据处理模块;其中:
光谱仪模块,包括激光光源和拉曼光谱仪;所述激光光源用于提供检测所需的激光,所述拉曼光谱仪用于获取样本的拉曼光谱,得到含有样本分子信息的数字信号;
采样模块,包括光纤和光纤探头,所述光纤探头用于收集拉曼光谱,所述光纤实现激光光源与光纤探头之间、光纤探头与拉曼光谱仪之间的连接;及
控制和数据处理模块,包括嵌入式微处理器,分别与激光光源和拉曼光谱仪连接,实现检测过程中对拉曼光谱仪和激光光源的控制,并通过读取拉曼光谱仪采集到的数字信号,经过光谱数据处理完成肿瘤性质的判别。
2.根据权利要求1所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述采样模块还包括遮光器,设置于光纤探头的外部,对光纤探头进行遮光,并固定检测距离,实现稳距测量。
3.根据权利要求1所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述控制和数据处理模块,进一步包括分别与所述嵌入式微处理器连接的按键控制模块、串口通信模块和液晶显示电路,用于完成检测过程中的按键控制、数据传输以及处理结果的显示;其中串口通信模块还用于实现嵌入式微处理器与拉曼光谱仪之间、嵌入式微处理与上位机之间的串口通讯。
4.根据权利要求3所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述控制和数据处理模块,包括嵌入式微处理器内部的计算模块、数据存储单元,分别用于实现相应的模式识别运算、肿瘤性质的识别结果的存储。
5.根据权利要求3所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述嵌入式微处理器采用模式识别算法模型进行肿瘤性质判别。
6.根据权利要求5所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,利用该嵌入式处理器对肿瘤性质进行判别的过程,包括:对光谱数据进行光谱预处理的过程;以及对预处理后光谱进行Kmeans-ALHK模式识别的过程。
7.根据权利要求6所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述对光谱数据进行光谱预处理的过程,包括:对训练集、预测集进行小波软阈值处理,消除光谱信号中的高频噪声;对训练集、预测集进行多项式拟合,消除光谱信号中的荧光干扰背景;对训练集进行标准化处理,使其均值为0,标准差为1;依据训练集的均值、标准差,对预测集进行标准化处理,使其均值为0,标准差为1。
8.根据权利要求6所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述对预处理后光谱进行Kmeans-ALHK模式识别的过程,包括:利用Kmeans聚类方法对训练集进行划分,将训练集划分为更小的类;计算各类中预测样本与所划分小类中心样本的距离,依据最小距离值确定预测样本所归属的小类,代替该类全部样本进行训练,从而形成新的训练集,使得数据量大大减少,运算速度也进一步提高;计算新训练集中训练样本的特征权重;依据特征权重,计算预测样本与新训练集的权重欧氏距离;依据欧氏距离,从各类样本中寻找预测样本的K个最近邻;依据各类中K个最近邻构建各类的超平面;识别归属于预测样本到超平面距离最短的那一个类;最后,将判别结果输出到液晶显示装置进行显示。
9.根据权利要求1所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述激光光源的波长为785nm,包括光源和光源驱动电路,所述光源驱动电路用以驱动光源,且与所述嵌入式微处理器相连。
10.根据权利要求1所述利用拉曼光谱检测肿瘤性质的装置,其特征在于,所述嵌入式微处理器采用DSP控制系统,主要结构为DSP TMS320F2812芯片,配合外围电路,用以实现拉曼光谱数据采集、处理和计算以及存储、结果显示功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310642363.0A CN103645170B (zh) | 2013-12-03 | 2013-12-03 | 一种利用拉曼光谱检测肿瘤性质的装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310642363.0A CN103645170B (zh) | 2013-12-03 | 2013-12-03 | 一种利用拉曼光谱检测肿瘤性质的装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103645170A true CN103645170A (zh) | 2014-03-19 |
CN103645170B CN103645170B (zh) | 2016-03-02 |
Family
ID=50250421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310642363.0A Active CN103645170B (zh) | 2013-12-03 | 2013-12-03 | 一种利用拉曼光谱检测肿瘤性质的装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103645170B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955711A (zh) * | 2014-05-20 | 2014-07-30 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN104198462A (zh) * | 2014-09-11 | 2014-12-10 | 中国科学院重庆绿色智能技术研究院 | 一种带定位功能的拉曼光谱仪 |
CN105866100A (zh) * | 2016-05-16 | 2016-08-17 | 浙江医药高等专科学校 | 拉曼光谱检测光路装置及其检测方法 |
CN105954257A (zh) * | 2016-05-24 | 2016-09-21 | 厦门市卓厦光电科技有限公司 | 一种智能人体结石成分分析仪及其使用方法 |
CN106198360A (zh) * | 2016-08-23 | 2016-12-07 | 冯庆宇 | 一种肿瘤标识物分析装置及肿瘤治疗设备 |
CN106706570A (zh) * | 2016-12-26 | 2017-05-24 | 哈尔滨工程大学 | 触点式在体光纤光谱探针及制作方法 |
CN107361742A (zh) * | 2017-06-23 | 2017-11-21 | 戎创前沿科技(北京)有限公司 | 一种脑胶质瘤等级标准图的获取方法 |
CN109190714A (zh) * | 2018-10-11 | 2019-01-11 | 公安部第三研究所 | 基于深度机器学习模型实现拉曼信号鉴别的系统及方法 |
CN109724959A (zh) * | 2019-01-17 | 2019-05-07 | 深圳市太赫兹科技创新研究院有限公司 | 一种光谱仪及其控制器 |
CN109781699A (zh) * | 2019-01-18 | 2019-05-21 | 拉曼兄弟(深圳)科技发展有限公司 | 一种基于拉曼光谱的实时检测腮腺肿瘤的方法 |
CN109781701A (zh) * | 2019-01-18 | 2019-05-21 | 拉曼兄弟(深圳)科技发展有限公司 | 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法 |
CN110470646A (zh) * | 2019-08-23 | 2019-11-19 | 成都大象分形智能科技有限公司 | 基于人工智能与拉曼光谱的肿瘤组织识别系统 |
CN110974166A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN111413319A (zh) * | 2020-04-30 | 2020-07-14 | 成都大象分形智能科技有限公司 | 基于拉曼光谱的复杂低浓度液体样本检测系统 |
CN111413318A (zh) * | 2020-04-30 | 2020-07-14 | 成都大象分形智能科技有限公司 | 基于拉曼光谱的血清检测系统及方法 |
CN111624191A (zh) * | 2020-03-02 | 2020-09-04 | 北京理工大学 | 一种离在体通用的脑肿瘤活检和边界确定装置 |
CN111879752A (zh) * | 2020-08-05 | 2020-11-03 | 公安部第三研究所 | 基于双探头采样和自适应机器学习的紫外拉曼光谱检测装置 |
CN112798529A (zh) * | 2021-01-04 | 2021-05-14 | 中国工程物理研究院激光聚变研究中心 | 一种基于增强拉曼光谱和神经网络的新型冠状病毒检测方法及系统 |
TWI789957B (zh) * | 2021-10-21 | 2023-01-11 | 炳碩生醫股份有限公司 | 配合拉曼光譜儀於檢體中尋找取樣點的方法和系統 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1745294A (zh) * | 2002-12-02 | 2006-03-08 | 鹿特丹伊拉兹马斯大学 | 高波数拉曼光谱学用于测定组织的用途 |
CN1804593A (zh) * | 2006-01-18 | 2006-07-19 | 中国科学院上海光学精密机械研究所 | 单细胞拉曼光谱判别上皮细胞癌症性质的方法 |
CN1890557A (zh) * | 2003-11-28 | 2007-01-03 | Bc肿瘤研究所 | 根据拉曼和背景荧光谱多峰检测组织异常 |
CN101248985A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 用于癌症诊断的拉曼表面增强光纤导管传感器 |
CN101842701A (zh) * | 2007-10-01 | 2010-09-22 | 生物谐振器公司 | 用于未受影响的材料分析的方法和装置 |
US20100296085A1 (en) * | 2006-08-22 | 2010-11-25 | Ahura Scientific Inc. | Raman spectrometry assembly |
CN102686181A (zh) * | 2009-08-27 | 2012-09-19 | 新泽西理工学院 | 集成的光纤拉曼光谱和射频消融 |
CN102928395A (zh) * | 2012-10-18 | 2013-02-13 | 武汉大学 | 用于上消化道癌症原位早期诊断的激光拉曼光谱仪系统 |
-
2013
- 2013-12-03 CN CN201310642363.0A patent/CN103645170B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1745294A (zh) * | 2002-12-02 | 2006-03-08 | 鹿特丹伊拉兹马斯大学 | 高波数拉曼光谱学用于测定组织的用途 |
CN1890557A (zh) * | 2003-11-28 | 2007-01-03 | Bc肿瘤研究所 | 根据拉曼和背景荧光谱多峰检测组织异常 |
CN1804593A (zh) * | 2006-01-18 | 2006-07-19 | 中国科学院上海光学精密机械研究所 | 单细胞拉曼光谱判别上皮细胞癌症性质的方法 |
US20100296085A1 (en) * | 2006-08-22 | 2010-11-25 | Ahura Scientific Inc. | Raman spectrometry assembly |
CN101842701A (zh) * | 2007-10-01 | 2010-09-22 | 生物谐振器公司 | 用于未受影响的材料分析的方法和装置 |
CN101248985A (zh) * | 2008-04-01 | 2008-08-27 | 东南大学 | 用于癌症诊断的拉曼表面增强光纤导管传感器 |
CN102686181A (zh) * | 2009-08-27 | 2012-09-19 | 新泽西理工学院 | 集成的光纤拉曼光谱和射频消融 |
CN102928395A (zh) * | 2012-10-18 | 2013-02-13 | 武汉大学 | 用于上消化道癌症原位早期诊断的激光拉曼光谱仪系统 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955711B (zh) * | 2014-05-20 | 2017-07-07 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN103955711A (zh) * | 2014-05-20 | 2014-07-30 | 北京航空航天大学 | 一种成像光谱目标识别分析中的模式识别方法 |
CN104198462A (zh) * | 2014-09-11 | 2014-12-10 | 中国科学院重庆绿色智能技术研究院 | 一种带定位功能的拉曼光谱仪 |
CN105866100A (zh) * | 2016-05-16 | 2016-08-17 | 浙江医药高等专科学校 | 拉曼光谱检测光路装置及其检测方法 |
CN105954257A (zh) * | 2016-05-24 | 2016-09-21 | 厦门市卓厦光电科技有限公司 | 一种智能人体结石成分分析仪及其使用方法 |
CN106198360A (zh) * | 2016-08-23 | 2016-12-07 | 冯庆宇 | 一种肿瘤标识物分析装置及肿瘤治疗设备 |
CN106706570B (zh) * | 2016-12-26 | 2019-07-16 | 哈尔滨工程大学 | 触点式在体光纤光谱探针及制作方法 |
CN106706570A (zh) * | 2016-12-26 | 2017-05-24 | 哈尔滨工程大学 | 触点式在体光纤光谱探针及制作方法 |
CN107361742B (zh) * | 2017-06-23 | 2020-12-15 | 江苏拉曼医疗设备有限公司 | 一种脑胶质瘤等级标准图的获取方法 |
CN107361742A (zh) * | 2017-06-23 | 2017-11-21 | 戎创前沿科技(北京)有限公司 | 一种脑胶质瘤等级标准图的获取方法 |
CN109190714A (zh) * | 2018-10-11 | 2019-01-11 | 公安部第三研究所 | 基于深度机器学习模型实现拉曼信号鉴别的系统及方法 |
CN109724959A (zh) * | 2019-01-17 | 2019-05-07 | 深圳市太赫兹科技创新研究院有限公司 | 一种光谱仪及其控制器 |
CN109781701A (zh) * | 2019-01-18 | 2019-05-21 | 拉曼兄弟(深圳)科技发展有限公司 | 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法 |
CN109781699A (zh) * | 2019-01-18 | 2019-05-21 | 拉曼兄弟(深圳)科技发展有限公司 | 一种基于拉曼光谱的实时检测腮腺肿瘤的方法 |
CN110470646A (zh) * | 2019-08-23 | 2019-11-19 | 成都大象分形智能科技有限公司 | 基于人工智能与拉曼光谱的肿瘤组织识别系统 |
CN110974166A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN110974166B (zh) * | 2019-12-10 | 2021-03-12 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN111624191A (zh) * | 2020-03-02 | 2020-09-04 | 北京理工大学 | 一种离在体通用的脑肿瘤活检和边界确定装置 |
CN111413319A (zh) * | 2020-04-30 | 2020-07-14 | 成都大象分形智能科技有限公司 | 基于拉曼光谱的复杂低浓度液体样本检测系统 |
CN111413318A (zh) * | 2020-04-30 | 2020-07-14 | 成都大象分形智能科技有限公司 | 基于拉曼光谱的血清检测系统及方法 |
CN111879752A (zh) * | 2020-08-05 | 2020-11-03 | 公安部第三研究所 | 基于双探头采样和自适应机器学习的紫外拉曼光谱检测装置 |
CN112798529A (zh) * | 2021-01-04 | 2021-05-14 | 中国工程物理研究院激光聚变研究中心 | 一种基于增强拉曼光谱和神经网络的新型冠状病毒检测方法及系统 |
CN112798529B (zh) * | 2021-01-04 | 2022-05-10 | 中国工程物理研究院激光聚变研究中心 | 一种基于增强拉曼光谱和神经网络的新型冠状病毒检测方法及系统 |
TWI789957B (zh) * | 2021-10-21 | 2023-01-11 | 炳碩生醫股份有限公司 | 配合拉曼光譜儀於檢體中尋找取樣點的方法和系統 |
Also Published As
Publication number | Publication date |
---|---|
CN103645170B (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103645170B (zh) | 一种利用拉曼光谱检测肿瘤性质的装置 | |
Zhang et al. | Raman spectroscopy and machine learning for the classification of breast cancers | |
Mahmood et al. | Artificial Intelligence-based methods in head and neck cancer diagnosis: an overview | |
Feng et al. | Surface-enhanced Raman spectroscopy of saliva proteins for the noninvasive differentiation of benign and malignant breast tumors | |
Bird et al. | Infrared spectral histopathology (SHP): a novel diagnostic tool for the accurate classification of lung cancer | |
Mackanos et al. | Fiber-optic probes enable cancer detection with FTIR spectroscopy | |
Kanter et al. | Application of Raman spectroscopy for cervical dysplasia diagnosis | |
JP2021063788A (ja) | 血清ベースの癌検出のためのシステム及び方法 | |
CN104251850A (zh) | 利用超频谱图像分析组织细胞的系统及方法 | |
US20110059016A1 (en) | Optical assay system with a multi-probe imaging array | |
CN107941782B (zh) | 可内窥光纤拉曼探针及检测装置 | |
CN207721812U (zh) | 一种无创血糖浓度检测仪 | |
CN103654691B (zh) | 胃肠道癌前病变无创诊查装置 | |
Yan et al. | Discrimination of parotid neoplasms from the normal parotid gland by use of Raman spectroscopy and support vector machine | |
Li et al. | Detection of nasopharyngeal cancer using confocal Raman spectroscopy and genetic algorithm technique | |
Lin et al. | Noninvasive detection of nasopharyngeal carcinoma based on saliva proteins using surface-enhanced Raman spectroscopy | |
CN108267416A (zh) | 一种基于太赫兹光谱的循环肿瘤细胞筛查系统及方法 | |
Xie et al. | Rapid, non-invasive screening of keratitis based on Raman spectroscopy combined with multivariate statistical analysis | |
Sun et al. | Detection of glioma by surface‐enhanced Raman scattering spectra with optimized mathematical methods | |
CN202191264U (zh) | 内窥镜 | |
Yu et al. | Deep multi-feature fusion residual network for oral squamous cell carcinoma classification and its intelligent system using Raman spectroscopy | |
CN205493762U (zh) | 一种光谱硬管内窥镜系统 | |
CN106768334A (zh) | 一种便携式二维成像微型光谱仪 | |
CN2739640Y (zh) | 尿液分析仪 | |
Sah et al. | Developing an automated data acquisition system and real time analysis of an in house fabricated hand-held probe |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |