CN109187485A - 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 - Google Patents
一种基于人眼泪液的角膜炎致病菌人工智能检测方法 Download PDFInfo
- Publication number
- CN109187485A CN109187485A CN201811081878.7A CN201811081878A CN109187485A CN 109187485 A CN109187485 A CN 109187485A CN 201811081878 A CN201811081878 A CN 201811081878A CN 109187485 A CN109187485 A CN 109187485A
- Authority
- CN
- China
- Prior art keywords
- raman spectrum
- pathogenic bacteria
- keratitis
- tear
- artificial intelligence
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于医疗健康领域,具体涉及一种基于人眼泪液的角膜炎致病菌人工智能检测方法。首先,通过无创的方式收集患者的泪液,并利用拉曼光谱仪测量患者泪液的拉曼光谱;然后,通过对所得拉曼光谱数据进行恢复、主成分分析进而提取致病菌的特征信息;最终,利用机器学习方法实现快速且无创的角膜炎致病菌分类。本发明的有益效果:样品采集过程无创,避免对患者角膜的二次损伤;拉曼光谱灵敏度高,采集速度快,可有效避免病情恶化;拉曼光谱测量过程中无需对样品进行预处理,操作便捷,且样本可重复使用;基于人眼泪液的角膜炎致病菌信息人工智能处理,能够有效区分致病菌特征,辅助临床角膜炎诊断过程,提高诊断精度。
Description
技术领域
本发明属于医疗健康领域,具体涉及一种基于人眼泪液的角膜炎致病菌人工智能检测方法。
背景技术
据世界卫生组织报告,感染性角膜疾病为主要致盲原因之一,在发展中国家尤为如此。临床上患有角膜炎的病人自觉畏光、流泪、疼痛、有异物感、视力下降,严重的角膜溃疡或伴前房积脓,甚至出现角膜穿孔、眼内容物炎等,最终可导致失明。在众多细菌性角膜炎致病菌统计中可知主要致病菌为革兰阳性球菌及革兰阴性杆菌,其中表皮葡萄球菌、铜绿假单孢菌即绿脓杆菌、肺炎球菌、白色葡萄球菌及金黄色葡萄球菌检出率相对较高。致病菌种类的准确检出将有助于指导临床治疗过程中的精准用药,因此致病菌信息的快速采集及智能化分析在角膜炎精准化治疗中尤为关键。
目前临床上对于细菌性角膜炎患者治病菌信息的检测方法主要为角膜病灶刮片法。该方法具体过程如下:首先对患者使用0.4%奥布卡因表麻,并用1ml注射器针头刮取溃疡边缘组织涂片。随后,对组织涂片进行革兰氏染色,其具体操作步骤为:1、使用草酸铵结晶对组织涂片紫染1分钟后使用水进行冲洗;2、加碘液覆盖涂面染约1分钟后进行水洗,并在水洗结束后使用吸水纸吸去水分;3、加入95%乙醇数滴,轻摇使之褪色,20秒后再次水洗吸去水分;4、使用蕃红染色液(稀)染1分钟后进行水洗、干燥,并进行显微镜检查。
基于角膜病灶刮片法的致病细菌检测方法具有以下两个主要缺点:
(1)角膜病灶刮片法为有创的检测方式。
(2)病原检测所使用的革兰氏染色法的样品准备过程复杂。
发明内容
为解决上述问题,本发明提供一种基于人眼泪液的角膜炎致病菌人工智能检测方法,是一种基于人眼泪液的角膜炎致病菌信息采集及人工智能分析方法。首先,通过无创的方式收集患者的泪液,并利用拉曼光谱仪测量患者泪液的拉曼光谱;然后,通过对所得拉曼光谱数据进行恢复、主成分分析进而提取致病菌的特征信息;最终,利用机器学习方法实现快速且无创的角膜炎致病菌分类。
本发明的技术方案:
一种基于人眼泪液的角膜炎致病菌人工智能检测方法,具体步骤如下:
步骤1、拉曼光谱数据采集
首先通过刺激采泪法从患者眼睛的外眦部中提取泪液存放于玻璃取样瓶中;然后,使用胶头滴管从玻璃取样瓶中取样滴于覆盖铝箔片的载玻片上,并对样品进行滴涂沉积的干燥处理;将负载有干燥后的样品的载玻片置于拉曼光谱仪的物镜下,并调节物镜直至清晰地观察到样品表面;最后,选择波长为633nm或785nm的光作为激发光源,采集样本区域的拉曼光谱数据并保存;
步骤2、数据人工智能分析
对步骤1中所获得的拉曼光谱进行分析和处理;首先,使用多点平滑及多项式拟合方法去除原始光谱的噪声及荧光背景,并对光谱数据归一化;然后,通过维纳估计算法从低信噪比拉曼光谱中恢复高信噪比拉曼光谱,以提高整体信噪比;最后,通过主成分分析对重建的高信噪比拉曼光谱进行降维,进而提取致病菌的特征信息,并利用机器学习方法对病菌种类进行分类,从而实现细菌性角膜炎致病菌检测。
维纳估计算法分为训练和测试两个阶段;训练阶段指通过标准数据库建立窄带测量与高信噪比拉曼光谱之间的数学关系模型,窄带测量指特定光谱透过率的滤光片与低信噪比拉曼光谱的内积;窄带测量与高信噪比拉曼光谱之间的关系矩阵W(即维纳矩阵)根据公式获得,其中,Shigh是标准数据库中的高信噪比拉曼光谱,Ccal是标准数据库中的窄带测量,E()指做总体均值运算,上标T表示矩阵转置,上标-1表示矩阵的逆;测试阶段指基于训练阶段获得的关系矩阵从窄带测量Ctest重建样本的高信噪比拉曼光谱即
本发明的有益效果:
(1)样品采集过程无创,避免对患者角膜的二次损伤。
(2)拉曼光谱灵敏度高,采集速度快,可有效避免病情恶化。
(3)拉曼光谱测量过程中无需对样品进行预处理,操作便捷,且样本可重复使用。
(4)基于人眼泪液的角膜炎致病菌信息人工智能处理,能够有效区分致病菌特征,辅助临床角膜炎诊断过程,提高诊断精度。
附图说明
图1是本发明的收集样本及采集光谱的过程示意图。
图中:1患者眼睛;2玻璃取样瓶;3胶头滴管;4载玻片;5物镜。
具体实施方式
下面结合附图和技术方案,进一步说明本发明的具体实施方式。
图1为本发明的收集样本及采集光谱的过程示意图。
一种基于人眼泪液的角膜炎致病菌人工智能检测方法,具体步骤如下:
首先,通过刺激采泪法从患者眼睛1的外眦部中提取泪液存放于玻璃取样瓶2中。使用胶头滴管3从玻璃取样瓶2中取样滴于覆盖铝箔片的载玻片4上后,对样品进行滴涂沉积的干燥处理。将载玻片4置于拉曼光谱仪的物镜5下,并调节物镜5直至能够清晰地观察到样品表面。选择633nm或785nm作为激发光源,采集样本区域的拉曼光谱数据并保存。
然后,对上述采集到的拉曼光谱进行分析和处理。首先,使用多点平滑及多项式拟合方法去除原始光谱的噪声及荧光背景,并对光谱数据归一化。随后,通过维纳估计算法从低信噪比拉曼光谱恢复高信噪比拉曼光谱。维纳估计算法分为训练和测试两个阶段。训练阶段指通过标准数据库建立窄带测量与高信噪比拉曼光谱之间关系的数学模型,其中,窄带测量指低信噪比拉曼光谱与特定光谱透过率的滤光片的内积。窄带测量与高信噪比拉曼光谱之间的关系矩阵W(即维纳矩阵)可根据公式获得,Shigh是标准数据库中的高信噪比拉曼光谱,Ccal是标准数据库中的窄带测量,E()指做总体均值运算。测试阶段指基于训练阶段获得的维纳矩阵从窄带测量Ctest重建样本的高信噪比拉曼光谱即最后,通过主成分分析对重建的高信噪比拉曼光谱进行降维,并利用机器学习方法对病菌种类进行分类,从而实现快速、准确、无创的细菌性角膜炎的致病菌检测方法。
Claims (2)
1.一种基于人眼泪液的角膜炎致病菌人工智能检测方法,其特征在于,具体步骤如下:
步骤1、拉曼光谱数据采集
首先通过刺激采泪法从患者眼睛的外眦部中提取泪液存放于玻璃取样瓶中;然后,使用胶头滴管从玻璃取样瓶中取样滴于覆盖铝箔片的载玻片上,并对样品进行滴涂沉积的干燥处理;将负载有干燥后的样品的载玻片置于拉曼光谱仪的物镜下,并调节物镜直至清晰地观察到样品表面;最后,选择波长为633nm或785nm的光作为激发光源,采集样本区域的拉曼光谱数据并保存;
步骤2、数据人工智能分析
对步骤1中所获得的拉曼光谱进行分析和处理;首先,使用多点平滑及多项式拟合方法去除原始光谱的噪声及荧光背景,并对光谱数据归一化;然后,通过维纳估计算法从低信噪比拉曼光谱中恢复高信噪比拉曼光谱,以提高整体信噪比;最后,通过主成分分析对重建的高信噪比拉曼光谱进行降维,进而提取致病菌的特征信息,并利用机器学习方法对病菌种类进行分类,从而实现细菌性角膜炎致病菌检测。
2.根据权利要求1所述的一种基于人眼泪液的角膜炎致病菌人工智能检测方法,其特征在于,所述的维纳估计算法分为训练和测试两个阶段;训练阶段指通过标准数据库建立窄带测量与高信噪比拉曼光谱之间的数学关系模型,窄带测量指特定光谱透过率的滤光片与低信噪比拉曼光谱的内积;窄带测量与高信噪比拉曼光谱之间的关系矩阵W根据公式获得,其中,Shigh是标准数据库中的高信噪比拉曼光谱,Ccal是标准数据库中的窄带测量,E()指做总体均值运算,上标T表示矩阵转置,上标-1表示矩阵的逆;测试阶段指基于训练阶段获得的关系矩阵从窄带测量Ctest重建样本的高信噪比拉曼光谱即
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081878.7A CN109187485A (zh) | 2018-09-17 | 2018-09-17 | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811081878.7A CN109187485A (zh) | 2018-09-17 | 2018-09-17 | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109187485A true CN109187485A (zh) | 2019-01-11 |
Family
ID=64911694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811081878.7A Withdrawn CN109187485A (zh) | 2018-09-17 | 2018-09-17 | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109187485A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216851A (zh) * | 2020-11-27 | 2022-03-22 | 四川大学华西医院 | 一种基于表面增强拉曼光谱技术的急性胰腺炎评估装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1938430A (zh) * | 2003-12-30 | 2007-03-28 | 英特尔公司 | 使用拉曼活性探针构建物来分析生物学样品的方法和装置 |
CN101799421A (zh) * | 2010-04-19 | 2010-08-11 | 福建师范大学 | 一种体液表面增强拉曼光谱的检测方法 |
CN103604794A (zh) * | 2013-11-26 | 2014-02-26 | 厦门大学 | 一种基于表面增强拉曼光谱技术的泪液测试方法 |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
US20170234798A1 (en) * | 2014-07-29 | 2017-08-17 | University-Industry Cooperation Group Of Kyung Hee University | Method and device for diagnosing viral infection using teardrop |
-
2018
- 2018-09-17 CN CN201811081878.7A patent/CN109187485A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1938430A (zh) * | 2003-12-30 | 2007-03-28 | 英特尔公司 | 使用拉曼活性探针构建物来分析生物学样品的方法和装置 |
CN101799421A (zh) * | 2010-04-19 | 2010-08-11 | 福建师范大学 | 一种体液表面增强拉曼光谱的检测方法 |
CN103604794A (zh) * | 2013-11-26 | 2014-02-26 | 厦门大学 | 一种基于表面增强拉曼光谱技术的泪液测试方法 |
US20170234798A1 (en) * | 2014-07-29 | 2017-08-17 | University-Industry Cooperation Group Of Kyung Hee University | Method and device for diagnosing viral infection using teardrop |
CN106706546A (zh) * | 2016-12-28 | 2017-05-24 | 中山市腾创贸易有限公司 | 一种基于红外和拉曼光谱数据的人工智能学习物质分析方法 |
Non-Patent Citations (5)
Title |
---|
MING-TSE KUO,ET AL.: "Differentiation between Infectious and Noninfectious Ulcerative Keratitis by Raman Spectra of Human Teardrops: A Pilot Study", <INVESTIGATIVE OPHTHALMOLOGY & VISUAL SCIENCE> * |
SHUO CHEN,ET AL.: "Recovery of Raman spectra with low signal-to noise ratio using Wiener estimation", <OPTICS EXPRESS> * |
依丽努尔• 木合塔尔 等: "细菌的拉曼光谱研究进展", 《光散射学报》 * |
胡佩 等: "滴涂沉积拉曼光谱技术在泪液分析中的应用", 《第十七届全国光散射学术会议摘要文集》 * |
路交 等: "拉曼光谱成像技术及其在生物医学中的应用", 《中国激光》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216851A (zh) * | 2020-11-27 | 2022-03-22 | 四川大学华西医院 | 一种基于表面增强拉曼光谱技术的急性胰腺炎评估装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6902935B2 (en) | Methods of monitoring effects of chemical agents on a sample | |
JP2005524072A (ja) | 生体スペクトル画像化システムおよび細胞の病態の診断方法 | |
Colonna et al. | Segmentation of corneal nerves using a U-Net-based convolutional neural network | |
Abdel-Ghafar et al. | Detection and characterisation of the optic disk in glaucoma and diabetic retinopathy | |
JP2011522260A (ja) | 細胞疾患の検出に有用な細胞スペクトルを再構成する方法 | |
CN112464902B (zh) | 基于多通道多维特征优化的脑电眨眼伪迹检测方法 | |
CN109187485A (zh) | 一种基于人眼泪液的角膜炎致病菌人工智能检测方法 | |
Karthika et al. | Retinal image analysis using contourlet transform and multistructure elements morphology by reconstruction | |
JP5305618B2 (ja) | 画像処理装置および画像処理プログラム | |
Zahniser et al. | Cytyc corporation | |
Bağbaba et al. | An automated grading and diagnosis system for evaluation of dry eye syndrome | |
Tariq et al. | A computer aided system for grading of maculopathy | |
US20160069809A1 (en) | Cervical Sample Preparation For Reduced Variability In Raman Spectroscopy | |
Yazid et al. | Edge sharpening for diabetic retinopathy detection | |
CN110806408A (zh) | 一种检测头皮马拉色菌的方法 | |
Qidwai et al. | Blind Deconvolution for retinal image enhancement | |
CN111235210A (zh) | 一种基于病原真菌孢子形态快速鉴定植物真菌病害的方法 | |
CN110363242A (zh) | 一种基于支持向量机的大脑意识多分类方法及系统 | |
Chandra et al. | Confocal Corneal Endothelium Dystrophy’s Analysis using Particle Filter | |
Rosidi et al. | Classification of cervical cells based on labeled colour intensity distribution | |
Divakar et al. | Diabetic retinopathy screening using retinal blood vessel and lesions segmentation: A comparative study | |
CN117582173A (zh) | 一种基于眼动实现的马赛克算法 | |
Shemer et al. | Onychomycosis: A simpler in-office technique for sampling specimens | |
US20220351371A1 (en) | Diagnosis and monitoring of neurodegenerative diseases | |
Jestin et al. | Textural feature extraction for retinal image analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190111 |