CN110008836A - 一种病理组织切片高光谱图像的特征提取方法 - Google Patents
一种病理组织切片高光谱图像的特征提取方法 Download PDFInfo
- Publication number
- CN110008836A CN110008836A CN201910167723.3A CN201910167723A CN110008836A CN 110008836 A CN110008836 A CN 110008836A CN 201910167723 A CN201910167723 A CN 201910167723A CN 110008836 A CN110008836 A CN 110008836A
- Authority
- CN
- China
- Prior art keywords
- matrix
- pure spectra
- concentration distribution
- pure
- spectrum image
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种病理组织切片高光谱图像的特征提取方法,包括以下步骤:分别读取m个同种病理组织切片的高光谱图像,采用光谱校正处理方法进行预处理;分别对预处理后的的高光谱图像采用多元曲线分辨‑交替最小二乘方法分解得到m组纯净光谱矩阵与对应的浓度分布矩阵;利用m组有序纯净光谱矩阵计算参考纯净光谱矩阵,并提取病变组织的纯净光谱;采用参考纯净光谱矩阵优化多元曲线分辨‑交替最小二乘方法的初始纯净光谱矩阵,对同种病理组织切片高光谱图像进行分解;根据所述病变组织的纯净光谱自动选取对应的浓度分布矩阵。本发明优化浓度分布矩阵特征的提取过程,能够大幅地提高生物组织高光谱图像的病理识别的速率和准确性。
Description
技术领域
本发明涉及数字图像处理技术领域,特别涉及一种病理组织切片高光谱图像的特征提取方法。
背景技术
高光谱成像技术结合了光学成像与光谱技术,能够在电磁波谱的紫外、可见光、近红外和中红外光谱范围内连续获取多波段的图像,被广泛应用于遥感、军事领域中。高光谱图像包含有图像信息和光谱信息,在生物医学领域同样显示出广阔的应用前景,能够实现生物组织形态、结构以及成分含量与分布的综合分析与描述,目前已被应用到组织样本病理检测、中西医疾病诊断、肿瘤发生发展机理探索等方面。病理诊断是疾病诊断的金标准,依靠专业的病理医生对组织切片进行准确而有效的分析、解读。然而病理诊断十分枯燥、过程耗时,并且其诊断结果依赖于医生的经验与组织切片本身的制作情况(例如染色、组织厚度、纹理等),因而无法避免人为的主观误差,以至于降低病理诊断的精确度。如何利用现有技术降低对病理医生诊断过程的要求并提高诊断的准确率是当下病理诊断的迫切需求。
计算机辅助诊断已成为医学疾病诊断的主要研究方向之一。计算机辅助诊断能够充分地利用采集人体组织的图像信息进行精确、定量的分析,降低人为因素带来的诊断结果差异,提高诊断准确性与效率。目前,基于传统图像处理方法主要是模拟医生的诊断方法,在疾病的计算机辅助诊断上取得了一定的成就。然而,由于组织切片的病理特征会受到组织病变程度、切片准备过程、成像条件的影响,单一的算法或识别模型难以解决个体差异与测量条件带来的多种影响,阻碍了进一步的临床应用。另外,基于传统图像的诊断对于人眼也不能分辨的早期病理变化是不敏感的。
结合了高光谱成像技术的计算机辅助诊断能够更有效地辅助医生,具有广阔的应用前景。目前,高光谱成像技术已成为医学领域研究的热点,利用高光谱数据的有效光谱信息,将对传统基于图像的计算机辅助诊断的完善起到关键的作用。
发明内容
本发明的发明目的在于提供一种病理组织切片高光谱图像的特征提取方法,能够大幅度地提高生物组织高光谱图像的病理识别的速率和精度。
实现本发明的技术方案是:
一种病理组织切片高光谱图像的特征提取方法,所述方法包括以下步骤:
(1)分别读取m个同种病理组织切片的高光谱图像,采用光谱校正处理方法对m个同种病理组织切片的高光谱图像进行预处理;
(2)分别对预处理后的m个同种病理组织切片的高光谱图像采用多元曲线分辨-交替最小二乘方法分解,得到m组有序纯净光谱矩阵与对应的浓度分布矩阵;
(3)利用所述m组有序纯净光谱矩阵计算参考纯净光谱矩阵,并提取病变组织的纯净光谱;
(4)采用所述参考纯净光谱矩阵优化多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵,对同种病理组织切片高光谱图像进行分解;
(5)根据所述的病变组织的纯净光谱自动选取对应的浓度分布矩阵。
所述分别读取m个同种病理组织切片的高光谱图像,采用光谱校正处理方法对m个同种病理组织切片的高光谱图像进行预处理的步骤具体为:
读取m个高光谱图像Ii(x,y,λ),i=1,...,m,此处m通常选取样本总数的2/3,不少于30。
生物组织的透射率Tb可以表示为式:
B为生物组织高光谱数据,S为相同条件下的采集的空白载玻片高光谱数据S。
所述分别对预处理后的m个同种病理组织切片的高光谱图像采用多元曲线分辨-交替最小二乘方法分解,得到m组有序纯净光谱矩阵与对应的浓度分布矩阵的步骤具体为:
①对预处理后的一个病理组织切片的高光谱图像I’i(x,y,λ)(0<i≤m)从三维矩阵转化成二维矩阵D*z×λ,D*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法可以表示为:
D*=C·M+E
将D*采用多元曲线分辨-交替最小二乘算法进行分解,得到纯净光谱矩阵Mn×λ以及与纯净光谱对应的浓度分布向量矩阵Cz×n,纯净光谱矩阵的n行分别代表n个组织成分的纯净光谱,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量。E是残差值矩阵。
多元曲线分辨-交替最小二乘算法的具体流程如下:
利用高光谱数据阵D*结合SIMPLe-to-useInteractiveSelf-modelingMixtureAnalysis(SIMPLISMA)算法初始化纯净光谱矩阵M。
假定D为除去误差矩阵E之后的高光谱数据矩阵,根据FactorAnalysis理论可以得
D=C·M=U·S·V
其中,U为D·DT的特征向量,V为DT·D的特征向量,S是一个平方单位矩阵,它的元素要么为0,要么在矩阵的对角线上的元素是U和V的特征值的正平方根,并且UT·U=V·VT=I(I为单位矩阵)。在上式中第二个等号的左右两边都乘以VT(M·VT)-1可以得到初始化的浓度分布矩阵C:
C=U·S·V·VT(M·VT)-1=U·S(M·VT)-1
进一步开始迭代优化纯净光谱矩阵和浓度分布矩阵,具体步骤如下:
1)从初始化的浓度分布矩阵开始,用当前的浓度分布矩阵Ci和由高光谱数据D*在光谱值非负的约束下优化纯净光谱矩阵Mi,得到更新了的纯净光谱矩阵Mi,计算残差值矩阵Ei,并计算当前残差值矩阵Ei与前一个残差值矩阵Ei-1的差值矩阵Cci;
2)由高光谱数据D*与新的纯净光谱矩阵用MFactorAnalysis理论求得新的浓度分布矩阵;
3)重复步骤1)和2)直至差值矩阵Cci的均值小于给定值c或循环次数小于给定值l,结束算法。c值通常设为高光谱数据光谱最大值的1%-3%,l值通常设为2到5次。输出浓度分部向量矩阵Cz×n和对应的纯净光谱矩阵Mn×λ。
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵。
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱。
④分别对m个高光谱图像进行步骤①-③最终可以得到m个有序的纯净光谱矩阵Moi(i=1,...,m)。
所述利用所述m组有序纯净光谱矩阵计算参考纯净光谱矩阵,并提取病变组织的纯净光谱的具体步骤为:
①对得到的m个有序纯净光谱矩阵Moi(i=1,...,m)进行平均运算得到1个参考纯净光谱矩阵Mrn×λ:
将参考纯净光谱矩阵作为新多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵;
②提取所述参考纯净光谱矩阵Mr的第一行光谱作为病变组织的参考纯净光谱SPu。
所述采用所述参考纯净光谱矩阵优化多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵,对同种病理组织切片高光谱图像进行分解的具体步骤为:
①对同种预处理过的病理组织切片的高光谱图像I”i(x,y,λ),0<i≤m;从三维矩阵转化成二维矩阵D*z×λ;D*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法可以表示为:
D*=C·M+E
用步骤(3)中的得到的参考纯净光谱矩阵Mr代替M以优化多元曲线分辨-交替最小二乘算法的初始纯净光谱矩阵,并进行分解得到浓度分布向量矩阵Cz×n,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量;
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵;
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱;
所述根据所述的病变组织的纯净光谱自动选取对应的浓度分布矩阵的具体步骤为:
采用步骤4得到的纯净光谱矩阵Mn×λ,第一行表示病变组织的纯净光谱,其余行表示正常组织的纯净光谱,计算这n条光谱向量和步骤3中所得的病变组织参考纯净光谱向量SPu的相关系数rk(K=1,...,n),相关系数较大为病变组织的纯净光谱,由病变组织光谱提取对应的浓度分布矩阵。
本发明的有益效果是:本发明所提出的一种病理组织切片高光谱图像的特征提取方法,利用m组数据样本提取参考光谱矩阵初始化多元曲线分辨-交替最小二乘算法分解方法初始矩阵,有助于提高分解速率与精度,同时通过参考光谱矩阵中病变组织的纯净光谱能够自动选取病变组织浓度分布矩阵这一特征,有助于后续病变组织识别,同时提高了识别自动化程度。
附图说明
图1为本发明的流程图;
图2为本发明分别对m个病理组织高光谱图像进行分解的流程图;
图3为本发明使用的多元曲线分辨-交替最小二乘算法分解方法的流程图;
图4为本发明求取参考纯净光谱矩阵的流程图。
具体实施方式
为了更加清楚明白地说明本发明所述的技术手段、技术改进及有益效益,以下结合附图对本发明进行详细的说明。
本发明的一种病理组织切片高光谱图像的特征提取方法,参见图1、图2、图3、图4,包括以下步骤:
S101:分别读取m个同种病理组织切片的高光谱图像,采用光谱校正处理方法对m个同种病理组织切片的高光谱图像进行预处理。
该步骤具体为:
读取m个高光谱图像Ii(x,y,λ),i=1,...,m,此处m通常选取样本总数的2/3,不少于30。
生物组织的透射率Tb可以表示为式:
B为生物组织高光谱数据,S为相同条件下的采集的空白载玻片高光谱数据S。
S102:分别对预处理后的m个同种病理组织切片的高光谱图像采用多元曲线分辨-交替最小二乘方法分解,得到m组有序纯净光谱矩阵与对应的浓度分布矩阵。
参阅图2,为本步骤流程图,具体过程为:
①对预处理后的一个病理组织切片的高光谱图像I’i(x,y,λ)(0<i≤m)从三维矩阵转化成二维矩阵D*z×λ,D*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法可以表示为:
D*=C·M+E
将D*采用多元曲线分辨-交替最小二乘算法进行分解,得到纯净光谱矩阵Mn×λ以及与纯净光谱对应的浓度分布向量矩阵Cz×n,纯净光谱矩阵的n行分别代表n个组织成分的纯净光谱,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量。E是残差值矩阵。
本发明使用的多元曲线分辨-交替最小二乘算法参见图3所示流程图,具体流程如下:
利用高光谱数据阵D*结合SIMPLe-to-useInteractiveSelf-modelingMixtureAnalysis(SIMPLISMA)算法初始化纯净光谱矩阵M。
假定D为除去误差矩阵E之后的高光谱数据矩阵,根据FactorAnalysis理论可以得
D=C·M=U·S·V
其中,U为D·DT的特征向量,V为DT·D的特征向量,S是一个平方单位矩阵,它的元素要么为0,要么在矩阵的对角线上的元素是U和V的特征值的正平方根,并且UT·U=V·VT=I(I为单位矩阵)。在上式中第二个等号的左右两边都乘以VT(M·VT)-1可以得到初始化的浓度分布矩阵C:
C=U·S·V·VT(M·VT)-1=U·S(M·VT)-1
进一步开始迭代优化纯净光谱矩阵和浓度分布矩阵,具体步骤如下:
1)从初始化的浓度分布矩阵开始,用当前的浓度分布矩阵Ci和由高光谱数据D*在光谱值非负的约束下优化纯净光谱矩阵Mi,得到更新了的纯净光谱矩阵Mi,计算残差值矩阵Ei,并计算当前残差值矩阵Ei与前一个残差值矩阵Ei-1的差值矩阵Cci;
2)由高光谱数据D*与新的纯净光谱矩阵用MFactorAnalysis理论求得新的浓度分布矩阵;
3)重复步骤1)和2)直至差值矩阵Cci的均值小于给定值c或循环次数小于给定值l,结束算法。c值通常设为高光谱数据光谱最大值的1%-3%,l值通常设为2到5次。输出浓度分部向量矩阵Cz×n和对应的纯净光谱矩阵Mn×λ。
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵。
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱。
④分别对m个高光谱图像进行步骤①-③最终可以得到m个有序的纯净光谱矩阵Moi(i=1,...,m)。
S103:利用所述m组有序纯净光谱矩阵计算参考纯净光谱矩阵,并提取病变组织的纯净光谱;
该步骤参见图4所示流程图,具体过程为:
①对得到的m个有序纯净光谱矩阵Moi(i=1,...,m)进行平均运算得到1个参考纯净光谱矩阵Mrn×λ:
将参考纯净光谱矩阵作为新多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵;
②提取所述参考纯净光谱矩阵Mr的第一行光谱作为病变组织的参考纯净光谱SPu。
S104:采用所述参考纯净光谱矩阵优化多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵,对同种病理组织切片高光谱图像进行分解;
该步骤具体为:
①对同种预处理过的病理组织切片的高光谱图像I”i(x,y,λ),0<i≤m;从三维矩阵转化成二维矩阵D*z×λD*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法可以表示为:
D*=C·M+E
用步骤(3)中的得到的参考纯净光谱矩阵Mr代替M以优化多元曲线分辨-交替最小二乘算法的初始纯净光谱矩阵,并进行分解得到浓度分布向量矩阵Cz×n,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量;
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵;
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱。
S105:根据所述的病变组织的纯净光谱自动选取对应的浓度分布矩阵;
该步骤具体为:
采用步骤4得到的纯净光谱矩阵Mn×λ,第一行表示病变组织的纯净光谱,其余行表示正常组织的纯净光谱,计算这n条光谱向量和步骤3中所得的病变组织参考纯净光谱向量SPu的相关系数rk(K=1,...,n),相关系数较大为病变组织的纯净光谱,由病变组织光谱提取对应的浓度分布矩阵。
综上所述,本发明所提出的一种病理组织切片高光谱图像的特征提取方法,将高光谱图像数据近似地分解成纯净光谱矩阵与浓度分布矩阵,并以病变组织浓度分布矩阵作为病理识别的依据,能够提高后续病变组织的识别准确性;通过已有的同种病理组织切片的高光谱数据集提取的参考纯净光谱矩阵初始化多元曲线分辨-交替最小二乘光谱特征提取算法中的初始化纯净光谱矩阵,减少了迭代次数,提高了浓度分布矩阵的速度与精度。利用本发明方法可以有效地对组织切片的高光谱图像进行病变组织识别。根据不同的应用背景,本发明经过适当的修改同样适用于其他相关领域的高光谱图像识别。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种病理组织切片高光谱图像的特征提取方法,其特征在于,该方法包括以下具体步骤:
(1)分别读取m个同种病理组织切片的高光谱图像,采用光谱校正处理方法对m个同种病理组织切片的高光谱图像进行预处理;
(2)分别对预处理后的m个同种病理组织切片的高光谱图像采用多元曲线分辨-交替最小二乘方法分解,得到m组有序纯净光谱矩阵与对应的浓度分布矩阵;
(3)利用所述m组有序纯净光谱矩阵计算参考纯净光谱矩阵,并提取病变组织的纯净光谱;
(4)采用所述参考纯净光谱矩阵优化多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵,对同种病理组织切片高光谱图像进行分解;
(5)根据所述的病变组织的纯净光谱自动选取对应的浓度分布矩阵。
2.根据权利要求1所述的病理组织切片高光谱图像的特征提取方法,其特征在于,所述步骤(2)具体包括:
①对预处理后的m个病理组织切片的高光谱图像I’i(x,y,λ),0<i≤m;从三维矩阵转化成二维矩阵D*z×λ;D*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法表示为:
D*=C·M+E
将D*采用多元曲线分辨-交替最小二乘算法进行分解,得到纯净光谱矩阵Mn×λ以及与纯净光谱对应的浓度分布向量矩阵Cz×n,纯净光谱矩阵的n行分别代表n个组织成分的纯净光谱,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量;E是残差值矩阵;
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵;
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱;
④分别对m个同种病理组织切片的高光谱图像进行步骤①-③,最终得到m个有序的纯净光谱矩阵Moi(i=1,…,m)。
3.根据权利要求1所述的病理组织切片高光谱图像的特征提取方法,其特征在于,所述步骤(3)具体包括:
①对得到的m个有序纯净光谱矩阵Moi(i=1,…,m)进行平均运算得到1个参考纯净光谱矩阵Mrn×λ:
将参考纯净光谱矩阵初始化多元曲线分辨-交替最小二乘方法中的初始纯净光谱矩阵;
②提取所述参考纯净光谱矩阵Mr的第一行光谱作为病变组织的参考纯净光谱SPu。
4.根据权利要求1所述的病理组织切片高光谱图像的特征提取方法,其特征在于,所述步骤(4)具体为:
①对同种预处理过的病理组织切片的高光谱图像I”i(x,y,λ),0<i≤m;从三维矩阵转化成二维矩阵D*z×λ;D*z×λ为包含所有像素光谱的高光谱数据矩阵,每一行为一个像素点的光谱,z为图像的像素个数:
z=x×y
②多元曲线分辨-交替最小二乘算法表示为:
D*=C·M+E
用步骤(3)中的得到的参考纯净光谱矩阵Mr代替M以优化多元曲线分辨-交替最小二乘算法的初始纯净光谱矩阵,并进行分解得到浓度分布向量矩阵Cz×n,浓度分布向量矩阵n列代表n个纯净光谱对应的浓度分布向量;
③将浓度分部向量矩阵Cz×n还原成浓度分布矩阵C1x×y×n,矩阵C1的n页代表了n个组织成分的浓度分布矩阵,根据先验知识,将浓度分布矩阵C1按成分重新排序得到有序浓度分布矩阵C2x×y×n,其中,C2x×y×n第一页是病变组织浓度分布矩阵;
同时根据浓度分布矩阵排序规律,将纯净光谱矩阵进行对应的排序得到有序纯净光谱矩阵Mon×λ,此时Mon×λ的第一行为病变组织的纯净光谱。
5.根据权利要求1所述的病理组织切片高光谱图像的特征提取方法,其特征在于,所述步骤(5)具体包括:
采用步骤(4)得到的纯净光谱矩阵Mn×λ(x1,x2,…,xn)T,分别计算n条光谱向量xn和步骤(3)中所述的病变组织的参考纯净光谱SPu的相关系数rk(K=1,…,n),相关系数最大的为病变组织的纯净光谱,从而由病变组织光谱提取对应的浓度分布矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167723.3A CN110008836B (zh) | 2019-03-06 | 2019-03-06 | 一种病理组织切片高光谱图像的特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910167723.3A CN110008836B (zh) | 2019-03-06 | 2019-03-06 | 一种病理组织切片高光谱图像的特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008836A true CN110008836A (zh) | 2019-07-12 |
CN110008836B CN110008836B (zh) | 2023-04-25 |
Family
ID=67166491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910167723.3A Active CN110008836B (zh) | 2019-03-06 | 2019-03-06 | 一种病理组织切片高光谱图像的特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008836B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111543990A (zh) * | 2020-05-13 | 2020-08-18 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
CN116687355A (zh) * | 2023-08-04 | 2023-09-05 | 北京未名拾光生物技术有限公司 | 基于拉曼光谱的活性组分在体皮肤中渗透行为监测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196864A (zh) * | 2013-04-12 | 2013-07-10 | 西北大学 | 一种使用mcr-als结合红外在线光谱研究反应机理的方法 |
CN104237200A (zh) * | 2014-09-12 | 2014-12-24 | 浙江大学 | 基于蛋白核小球藻拉曼信号的草甘膦浓度检测方法 |
CN107064096A (zh) * | 2017-06-02 | 2017-08-18 | 常熟市浙大紫金光电技术研究中心 | 基于高光谱成像的混合物粉末无损定量检测装置及方法 |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
CN108572166A (zh) * | 2018-04-12 | 2018-09-25 | 上海理工大学 | 雨生红球藻类胡萝卜素及虾青素可视化分析方法 |
-
2019
- 2019-03-06 CN CN201910167723.3A patent/CN110008836B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103196864A (zh) * | 2013-04-12 | 2013-07-10 | 西北大学 | 一种使用mcr-als结合红外在线光谱研究反应机理的方法 |
CN104237200A (zh) * | 2014-09-12 | 2014-12-24 | 浙江大学 | 基于蛋白核小球藻拉曼信号的草甘膦浓度检测方法 |
CN107064019A (zh) * | 2017-05-18 | 2017-08-18 | 西安交通大学 | 用于无染色病理切片高光谱图像采集及分割的装置及方法 |
CN107064096A (zh) * | 2017-06-02 | 2017-08-18 | 常熟市浙大紫金光电技术研究中心 | 基于高光谱成像的混合物粉末无损定量检测装置及方法 |
CN108572166A (zh) * | 2018-04-12 | 2018-09-25 | 上海理工大学 | 雨生红球藻类胡萝卜素及虾青素可视化分析方法 |
Non-Patent Citations (1)
Title |
---|
李颜 等: ""拉曼光谱成像技术结合化学计量学判别宫颈癌组织石蜡切片"", 《中国化学会第14届全国计算(机)化学学术会议暨分子模拟国际论坛会议手册》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111543990A (zh) * | 2020-05-13 | 2020-08-18 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
CN111543990B (zh) * | 2020-05-13 | 2022-11-04 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 肌肉协同的提取方法及基于肌肉协同的运动功能分析评估方法 |
CN114155385A (zh) * | 2021-11-30 | 2022-03-08 | 江苏鑫源烟草薄片有限公司 | 一种基于深度学习的rgb与高光谱的烟草识别方法 |
CN116687355A (zh) * | 2023-08-04 | 2023-09-05 | 北京未名拾光生物技术有限公司 | 基于拉曼光谱的活性组分在体皮肤中渗透行为监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110008836B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202997B (zh) | 一种基于深度学习的细胞分裂检测方法 | |
CN107273876B (zh) | 一种基于深度学习的‘宏to微转换模型’的微表情自动识别方法 | |
Sangamithraa et al. | Lung tumour detection and classification using EK-Mean clustering | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN109389584A (zh) | 基于cnn的多尺度鼻咽肿瘤分割方法 | |
CN110008836A (zh) | 一种病理组织切片高光谱图像的特征提取方法 | |
CN113516210B (zh) | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 | |
CN109410219A (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN105654117B (zh) | 基于sae深度网络的高光谱图像空谱联合的分类方法 | |
CN111611877B (zh) | 基于多时空信息融合的抗年龄干扰的人脸识别方法 | |
CN105389548A (zh) | 基于人脸识别的婚恋评价系统和方法 | |
CN109360147B (zh) | 基于彩色图像融合的多光谱图像超分辨率重建方法 | |
CN106096571B (zh) | 一种基于emd特征提取和稀疏表示的细胞分类方法 | |
Li et al. | Transfer learning based classification of cervical cancer immunohistochemistry images | |
CN106204601B (zh) | 一种基于波段扫描形式的活体高光谱序列图像并行配准方法 | |
CN110110808A (zh) | 一种对图像进行目标标注的方法、装置及计算机记录介质 | |
CN110334724A (zh) | 基于lstm的遥感对象自然语言描述及多尺度矫正方法 | |
CN112750132A (zh) | 基于双路径网络和通道注意的白细胞图像分割方法 | |
CN110334566A (zh) | 一种基于三维全卷积神经网络的oct内外指纹提取方法 | |
CN106529486A (zh) | 一种基于三维形变人脸模型的种族识别方法 | |
Shen et al. | Medical image segmentation based on Transformer and HarDNet structures | |
CN113361353A (zh) | 一种基于DeepLabV3Plus的斑马鱼形态学评分方法 | |
Lu et al. | Classification of Alzheimer’s disease in MobileNet | |
CN108985301A (zh) | 一种多特征类子字典学习的高光谱图像分类方法 | |
Gao et al. | Transformer based tooth classification from cone-beam computed tomography for dental charting |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |