CN112200770A - 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 - Google Patents
一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 Download PDFInfo
- Publication number
- CN112200770A CN112200770A CN202010935999.4A CN202010935999A CN112200770A CN 112200770 A CN112200770 A CN 112200770A CN 202010935999 A CN202010935999 A CN 202010935999A CN 112200770 A CN112200770 A CN 112200770A
- Authority
- CN
- China
- Prior art keywords
- tumor
- tissue
- raman spectrum
- raman
- data
- 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.)
- Pending
Links
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 58
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 52
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000001574 biopsy Methods 0.000 claims abstract description 14
- 230000001575 pathological effect Effects 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 23
- 238000001069 Raman spectroscopy Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 9
- 239000000523 sample Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000003321 amplification Effects 0.000 claims description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000001356 surgical procedure Methods 0.000 claims description 2
- 238000002271 resection Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于医疗数据检测技术领域，尤其是涉及一种基于拉曼光谱和卷积神经网络的肿瘤检测方法。一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，包括以下步骤：S1、数据集采集和构造；S2、数据集标准化处理；S3、数据集扩增；S4、分类模型训练；S5、肿瘤预测。本发明所要解决的技术问题是肿瘤切除手术中对肿瘤组织切片病理活检步骤繁多、时间长、准确性一般的问题，提供一种快速、便捷、准确的基于拉曼光谱和卷积神经网络的肿瘤检测方法。
Description
技术领域
本发明属于医疗数据检测技术领域，尤其是涉及一种基于拉曼光谱和卷积神经网络的肿瘤检测方法。
背景技术
临床上通常通过影像学检查确定肿瘤组织位置以指导切除手术方案的设计，如使用内窥镜、CT、核磁、X光等技术手段。然而影像学检查与切除手术之间的时间差会导致影像资料中与实际操作所见的肿瘤组织轮廓、位置、尺寸等信息的偏差。切除手术的术中通常使用对组织切片的病理活检来确定肿瘤组织是否切除完整。然而病理活检步骤繁多、分析时间较长，且术中切片活检技术的准确性和灵敏度并不可靠，为确保肿瘤组织切除完整，需要进行多次病理活检，漫长的活检时间不仅影响手术效率、更会为病人带来诸多风险。
拉曼光谱(Raman spectroscopy)分析法是一种非侵入的光谱分析方法，它基于拉曼散射效应，对与入射光频率不同的散射光谱进行分析以得到分子的振动、转动等方面信息。拉曼光谱分析法可用于观察人体组织的低频振动模式。近红外(NIR)激光会与人体组织的低频振动模式相互作用，导致非弹性散射光子的能量发生位移，从而产生与入射光频率不同的散射光谱。根据激发光波长和检测光波长的倒数之间的差异(单位：cm-1)可以测量能量位移的强度，并提供特定化学键的信息。由此产生的拉曼光谱提供了一个可以识别不同分子种类的指纹，并根据不同特征峰的强度来评估其相对浓度。拉曼光谱根据分子振动形成的光散射频率的改变来反映分子结构、基团的组成等信息，具有高灵敏度和特异性，同时拥有样本无需特殊处理、适用范围广泛、测试快捷等优点，在生物医学领域的应用前景广泛。人体组织中存在大量拉曼活性分子，且由于肿瘤组织与正常组织的生物成分比例及分子构象方面存在较大差异，使得拉曼光谱可以反映两者之间的差异，从而实现正常组织和肿瘤组织的区分。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(DeepLearning)的代表算法之一。卷积神经网络的研究始于二十世纪80至90年代；二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被广泛应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制建立，其隐含层内的卷积核参数共享和层间连接的稀疏性是的卷积神经网络能够以较小的计算量提取数据的格点化特征，例如在对像素和音频等数据组织形式的学习上有稳定的效果，且对数据没有额外的特征工程要求。一维卷积神经网络可以很好地识别出数据的简单模式，然后使用这些简单模式在更高级的层中生成更复杂的模式。当数据的某些特征在该数据片段的位置中不具有高度相关性时，通过一维卷积网络可以很好地从整体数据集中的较短片段获得感兴趣的特征。一维卷积网络可以很好地应用于传感器数据的时间序列分析和具有固定长度周期的信号数据的分析。
由于拉曼光谱数据是一维的周期信号数据，所以我们以一维卷积神经网络为核心，辅以残差连接模块，搭建了一个深度学习分类网络，根据特定组织的拉曼光谱计算该组织为肿瘤组织的概率，从而为肿瘤切除手术中确认肿瘤是否切除干净提供高效、高精度的指导。
发明内容
本发明所要解决的技术问题是肿瘤切除手术中对肿瘤组织切片病理活检步骤繁多、时间长、准确性一般的问题，提供一种快速、便捷、准确的基于拉曼光谱和卷积神经网络的肿瘤检测方法。为此，本发明采用以下技术方案：
一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，包括以下步骤：
S1、数据集采集和构造，利用高分辨率CCD拉曼光谱检测设备对肿瘤患者的正常组织部位和肿瘤组织部位分别进行探测，以激发形成不同的拉曼光谱，对所述拉曼光谱按照8:2的比例分割为训练集和测试集；
S2、数据集标准化处理，采用z-score标准化对步骤S1所得到的训练集和测试集进行标准化处理，以将不同组织部位的拉曼光谱的强度放缩至统一尺度；
S3、数据集扩增，对步骤S2所得的训练集进行扩增，增强数据泛化性能；
S4、分类模型训练，建立以残差连接的一维卷积神经网络为基础模块的一维信号分类模型，并对步骤S3所得的训练集进行训练，调节模型参数至模型收敛并保存为最佳模型；
S5、肿瘤预测，将待预测的人体组织拉曼光谱数据输入步骤S4所得的最佳模型，输出待预测组织的取自于肿瘤组织的概率值，以该概率值判断是否为肿瘤组织。
其中，z-score标准化也叫标准差标准化，这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，其转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：
所述步骤S1中的探测采用拉曼光纤探针进行。
所述步骤S1还包括：根据探测位置的病理切片活检结果对拉曼光谱数据进行分类标注，若为肿瘤组织，则标注标签为1，若为正常组织，则标注标签为0。
所述步骤S3中训练集扩增采用平移、或裁剪、或加噪声、或乘算随机系数、或Mixup中的一种或多种方法进行扩增。
其中，数据扩充方法可以增加训练的数据量，提高模型的泛化能力；同时增加噪声数据，提升模型的鲁棒性。
Mixup方法是一种和数据无关的简单数据增强方法，其通过一种线性插值的方法构建心的训练样本和标签，最终对数据和标签的处理如下公式所示：
其中(xi,yi),(xj,yj)两个数据是原始数据集中的训练样本对(训练样本和其对应的标签)。λ是一个服从β分布的参数，λ～Beta(α,α)。
所述步骤S4还包括：当输入是步骤S1中已标注的拉曼光谱数据，则输出为其分类标注标签。
所述步骤S5中，若所述概率值若大于0.5，则认定为待预测组织为肿瘤组织，否则则认定为待预测组织为正常组织。
所述检测方法还包括方法验证，采集手术过程中的病理切片的拉曼光谱并输入到最佳模型中，将输出的预测结果与实际病例活检结果进行比对。
与现有技术相比，本发明具有以下有益效果：
1)将以一维卷积神经网络为核心的深度学习分类网络应用到了肿瘤组织拉曼光谱的检测上面，提升了术中肿瘤组织检测的及时性和准确性；
2)可以根据该方法形成术中实时检测系统，减轻病理医生的工作负担；
3)相比于病理切片活检方法，拉曼光谱分析法不会刺激肿瘤组织部位、不需要进行穿刺采样，避免了肿瘤检测引起的癌变组织扩散或切片组织取样引起的感染等并发症问题。
附图说明
图1为本发明一种基于拉曼光谱和卷积神经网络的肿瘤检测方法的正常组织和肿瘤组织的拉曼光谱数据图。
图2为本发明一种基于拉曼光谱和卷积神经网络的肿瘤检测方法的实施例中的分类网络的基本残差模块。
图3为本发明一种基于拉曼光谱和卷积神经网络的肿瘤检测方法的实施例中的分类网络的整体结构。
具体实施方式
为了进一步理解本发明，下面结合具体实施方式对本发明提供的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法进行具体描述，但本发明并不限于此，该领域技术人员在本发明核心指导思想下做出的非本质改进和调整，仍然属于本发明的保护范围。
一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，包括：
数据集采集和构造，获取大量拉曼光谱数据集，利用高分辨率CCD拉曼光谱检测设备对肿瘤患者的正常组织部位和肿瘤组织部位分别进行探测，其中，探测采用拉曼光纤探针进行，以激发形成不同的拉曼光谱，对所述拉曼光谱按照8:2的比例分割为训练集和测试集。
其中，高分辨率CCD拉曼光谱检测设备可采用Advantage 1064，该设备提供了色散型拉曼光谱中波长最长的激光源，同时它还保持了非常高的灵敏度——凭借其电子迁移InGaAs光电阴极和电子轰击CCD技术。
进一步地，根据探测位置的病理切片活检结果对拉曼光谱数据进行分类标注，若为肿瘤组织，则标注标签为1，若为正常组织，则标注标签为0。
进一步地，拉曼光谱数据输出为.txt格式。
进一步地，标注完成之后使用python的numpy软件包读入数据，采集拉曼位移从385cm-1到1545cm-1的光谱数据，保存为.npy格式文件。
数据集标准化处理，采用z-score标准化对上述数据集采集和构造所得到的训练集和测试集进行标准化处理，以将不同组织部位的拉曼光谱的强度放缩至统一尺度。
数据集扩增，对标准化处理所得的训练集进行扩增，增强数据泛化性能。其中，训练集扩增采用平移、或裁剪、或加噪声、或乘算随机系数、或Mixup中的一种或多种方法进行扩增。
分类模型训练，建立以残差连接的一维卷积神经网络为基础模块的一维信号分类模型，其中，基本模块如图2所示，整体网络结构如图3所示，并对扩增所得的训练集进行训练，调节模型参数至模型收敛并保存为最佳模型。
进一步地，当输入是数据集采集和构造中已标注的拉曼光谱数据，则输出为其分类标注标签。
使用训练集中的拉曼光谱数据训练分类网络并进行测试集的效果预测：确定损失函数为二元交叉熵损失，设置每次输入进分类网络的数据批量为128，使用Adam优化器，初始学习率为10-3，设置整体样本循环迭代次数上限为500次，每完整迭代一次训练样本，进行测试集的效果预测，保存第一次完整迭代后的效果为最佳效果，之后每经历一次完整迭代，对比保存最佳的验证效果并保存该模型，直到达到迭代次数的上限。在训练过程中，若训练集的预测损失连续10次不下降，则将学习率调整为上一次迭代的一半。
肿瘤预测，将待预测的人体组织拉曼光谱数据输入步骤S4所得的最佳模型，输出待预测组织的取自于肿瘤组织的概率值，以该概率值判断是否为肿瘤组织。其中，若所述概率值若大于0.5，则认定为待预测组织为肿瘤组织，否则则认定为待预测组织为正常组织。
方法验证，采集手术过程中的病理切片的拉曼光谱并输入到最佳模型中，将输出的预测结果与实际病例活检结果进行比对。
虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本专业普通技术人员应当了解，在权利要求书的范围内，可作形式和细节上的各种各样变化。
Claims (7)
1.一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于包括以下步骤：
S1、数据集采集和构造，利用高分辨率CCD拉曼光谱检测设备对肿瘤患者的正常组织部位和肿瘤组织部位分别进行探测，以激发形成不同的拉曼光谱，对所述拉曼光谱按照8:2的比例分割为训练集和测试集；
S2、数据集标准化处理，采用z-score标准化对步骤S1所得到的训练集和测试集进行标准化处理，以将不同组织部位的拉曼光谱的强度放缩至统一尺度；
S3、数据集扩增，对步骤S2所得的训练集进行扩增，增强数据泛化性能；
S4、分类模型训练，建立以残差连接的一维卷积神经网络为基础模块的一维信号分类模型，并对步骤S3所得的训练集进行训练，调节模型参数至模型收敛并保存为最佳模型；
S5、肿瘤预测，将待预测的人体组织拉曼光谱数据输入步骤S4所得的最佳模型，输出待预测组织的取自于肿瘤组织的概率值，以该概率值判断是否为肿瘤组织。
2.根据权利要求1所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述步骤S1中的探测采用拉曼光纤探针进行。
3.根据权利要求1所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述步骤S1还包括：根据探测位置的病理切片活检结果对拉曼光谱数据进行分类标注，若为肿瘤组织，则标注标签为1，若为正常组织，则标注标签为0。
4.根据权利要求1所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述步骤S3中训练集扩增采用平移、或裁剪、或加噪声、或乘算随机系数、或MIXUP中的一种或多种方法进行扩增。
5.根据权利要求3所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述步骤S4还包括：当输入是步骤S1中已标注的拉曼光谱数据，则输出为其分类标注标签。
6.根据权利要求3所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述步骤S5中，若所述概率值若大于0.5，则认定为待预测组织为肿瘤组织，否则则认定为待预测组织为正常组织。
7.根据权利要求1所述的一种基于拉曼光谱和卷积神经网络的肿瘤检测方法，其特征在于所述检测方法还包括方法验证，采集手术过程中的病理切片的拉曼光谱并输入到最佳模型中，将输出的预测结果与实际病例活检结果进行比对。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935999.4A CN112200770A (zh) | 2020-09-08 | 2020-09-08 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010935999.4A CN112200770A (zh) | 2020-09-08 | 2020-09-08 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200770A true CN112200770A (zh) | 2021-01-08 |
Family
ID=74005945
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010935999.4A Pending CN112200770A (zh) | 2020-09-08 | 2020-09-08 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200770A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112986210A (zh) * | 2021-02-10 | 2021-06-18 | 四川大学 | 一种尺度自适应的微生物拉曼光谱检测方法及系统 |
| CN113035292A (zh) * | 2021-04-21 | 2021-06-25 | 复旦大学 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
| CN113095188A (zh) * | 2021-04-01 | 2021-07-09 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱数据分析方法与装置 |
| CN113539476A (zh) * | 2021-06-02 | 2021-10-22 | 复旦大学 | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 |
| CN114496242A (zh) * | 2021-12-23 | 2022-05-13 | 上海市第十人民医院 | 一种心肌梗死预测方法、系统、设备及介质 |
| CN115409830A (zh) * | 2022-09-30 | 2022-11-29 | 广州医科大学附属第一医院（广州呼吸中心） | 一种输尿管肾盂肿瘤的检测系统、装置及存储介质 |
| CN117789972A (zh) * | 2024-02-23 | 2024-03-29 | 北京大学人民医院 | 一种乳腺癌复发预测模型的构建方法及其预测系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170020460A1 (en) * | 2014-04-08 | 2017-01-26 | Polyvalor, Limited Partnership | System and method for assessing a cancer status of biological tissue |
| CN107303174A (zh) * | 2016-04-21 | 2017-10-31 | 西派特（北京）科技有限公司 | 一种互联网+光谱肿瘤临床医学诊断方法 |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
-
2020
- 2020-09-08 CN CN202010935999.4A patent/CN112200770A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170020460A1 (en) * | 2014-04-08 | 2017-01-26 | Polyvalor, Limited Partnership | System and method for assessing a cancer status of biological tissue |
| CN107303174A (zh) * | 2016-04-21 | 2017-10-31 | 西派特（北京）科技有限公司 | 一种互联网+光谱肿瘤临床医学诊断方法 |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN110717907A (zh) * | 2019-10-06 | 2020-01-21 | 浙江大学 | 一种基于深度学习的手部肿瘤智能检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| YAN, HAO等: "Tongue squamous cell carcinoma discrimination with Raman spectroscopy and convolutional neural networks", 《VIBRATIONAL SPECTROSCOPY》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112986210A (zh) * | 2021-02-10 | 2021-06-18 | 四川大学 | 一种尺度自适应的微生物拉曼光谱检测方法及系统 |
| CN113095188A (zh) * | 2021-04-01 | 2021-07-09 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱数据分析方法与装置 |
| CN113035292A (zh) * | 2021-04-21 | 2021-06-25 | 复旦大学 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
| CN113035292B (zh) * | 2021-04-21 | 2022-11-04 | 复旦大学 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
| CN113539476A (zh) * | 2021-06-02 | 2021-10-22 | 复旦大学 | 基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统 |
| CN114496242A (zh) * | 2021-12-23 | 2022-05-13 | 上海市第十人民医院 | 一种心肌梗死预测方法、系统、设备及介质 |
| CN115409830A (zh) * | 2022-09-30 | 2022-11-29 | 广州医科大学附属第一医院（广州呼吸中心） | 一种输尿管肾盂肿瘤的检测系统、装置及存储介质 |
| CN117789972A (zh) * | 2024-02-23 | 2024-03-29 | 北京大学人民医院 | 一种乳腺癌复发预测模型的构建方法及其预测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200770A (zh) | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 | |
| CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| Li et al. | An improved k-nearest neighbour method to diagnose breast cancer | |
| US20050149300A1 (en) | Method and apparatus for enhanced estimation of an analyte property through multiple region transformation | |
| CN113109317B (zh) | 基于背景扣除提取峰面积的拉曼光谱定量分析方法及系统 | |
| Yu et al. | Nondestructive determination of SSC in Korla fragrant pear using a portable near-infrared spectroscopy system | |
| CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
| CN111833330B (zh) | 基于影像与机器嗅觉融合的肺癌智能检测方法及系统 | |
| CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
| Hu et al. | Fractional order modeling and recognition of nitrogen content level of rubber tree foliage | |
| CN108802002A (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
| CN113109318B (zh) | 基于光谱峰高直接提取的拉曼光谱定量分析方法及系统 | |
| Pavlou et al. | Deep adversarial data augmentation for biomedical spectroscopy: Application to modelling Raman spectra of bone | |
| Liu et al. | Estimation of chlorophyll content in maize canopy using wavelet denoising and SVR method | |
| Silveira Jr et al. | Discrete wavelet transform for denoising Raman spectra of human skin tissues used in a discriminant diagnostic algorithm | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN115586159A (zh) | 基于中红外光谱检测技术的白酒陈化缔合程度评定方法 | |
| CN115326782A (zh) | 一种利用拉曼光谱检测罗非鱼鱼肉脆度的方法 | |
| CN115420726A (zh) | 一种利用重构sers光谱快速识别目标物的方法 | |
| Fang et al. | Recent progress and applications of Raman spectrum denoising algorithms in chemical and biological analyses: A review | |
| Larracy et al. | Data pre-processing of infrared spectral breathprints for lung cancer detection | |
| Li et al. | Research Progress of Rapid Non-Destructive Detection Technology in the Field of Apple Mold Heart Disease | |
| Li et al. | Diagnosis of gastric endoscopic biopsies using attenuated total reflectance (ATR) Fourier transform infrared (FT-IR) spectroscopy with entropy weight local-hyperplane k-nearest neighbor based on frequency domain information (EWHFI) | |
| Yang et al. | Discrimination of the Specific Gravity of Urine Using Spectrophotometry by the Parallel Connection of Two Modified Feature Selection Methods |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210108 |