CN113035292B - 一种脑胶质瘤浸润区域pH值测定方法及系统 - Google Patents
一种脑胶质瘤浸润区域pH值测定方法及系统 Download PDFInfo
- Publication number
- CN113035292B CN113035292B CN202110428655.9A CN202110428655A CN113035292B CN 113035292 B CN113035292 B CN 113035292B CN 202110428655 A CN202110428655 A CN 202110428655A CN 113035292 B CN113035292 B CN 113035292B
- Authority
- CN
- China
- Prior art keywords
- data
- raman spectrum
- spectral data
- value
- enhanced raman
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Urology & Nephrology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种脑胶质瘤浸润区域pH值测定方法及系统,所述方法包括:获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;对所述表面增强拉曼光谱数据进行处理,得到光谱数据;将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。本发明能够实现快速且准确的标定肿瘤在术中的酸性边界。
Description
技术领域
本发明涉及医学信号处理分析技术领域,特别涉及一种脑胶质瘤浸润区域pH值测定方法及系统。
背景技术
脑胶质瘤是最常见的脑部原发性恶性肿瘤。手术是最主要的治疗方案,然而目前临床上胶质瘤的手术后复发率几乎达到100%,残留的肿瘤浸润组织是复发的主要原因,如何最大程度地切除胶质瘤并保护脑功能区完整是亟待解决的难题。组织间液酸化是固体肿瘤的普遍特征,它体现了肿瘤增殖、侵袭和转移的恶性本质。手术中无损地测定组织间液pH值可以帮助定位胶质瘤浸润区域恶性组织,为提高手术预后提供新手段。
拉曼光谱是一种散射光谱,能反映分子内化学键特征的光谱技术。当目标分子吸附在贵金属表面时,其拉曼散射光信号得到极大增强,这一现象被称为表面增强拉曼散射(Surface enhanced Raman scattering,SERS)。一些分子的SERS光谱对环境pH变化具有比率型响应的特点,通过对这些分子的SERS光谱分析即可确定其所处环境的pH,在手术中为胶质瘤的完整切除提供参考。
发明内容
本发明的目的是提供一种脑胶质瘤浸润区域pH值测定方法及系统,通过提供的自动化、规范化的基于深度学习的脑胶质瘤浸润区域pH值的测定方法,以实现标定肿瘤在术中的酸性边界的目的。
为了实现以上目的,本发明通过以下技术方案实现:
一种脑胶质瘤浸润区域pH值测定方法,包括:
获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;
对所述表面增强拉曼光谱数据进行处理,得到光谱数据;
将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。
优选地,所述表面增强拉曼光谱数据包括若干个,每一所述表面增强拉曼光谱数据的获取包括如下过程:
将移液管尖端的预设量的纯水与待检测的脑胶质瘤的浸润区域接触;
采用所述移液管尖端吸取位于待检测的脑胶质瘤的浸润区域上的全部水滴,滴到SERS芯片上;
采用拉曼扫描仪对所述SERS芯片进行扫描得到所述表面增强拉曼光谱数据。
优选地,所述光谱数据与所述表面增强拉曼光谱数据数量相同且一一对应,每一所述光谱数据获取包括如下过程:
计算采集到的所述表面增强拉曼光谱数据中峰1的面积值;
所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱;
采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线;
采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据。
优选地,将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
另一方面,本发明还提供一种脑胶质瘤浸润区域pH值测定系统,包括:
数据采集模块,其用于获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;
数据预处理模块,其与所述数据采集模块连接,用于对所述表面增强拉曼光谱数据进行处理,得到光谱数据;
模型训练模块,其与所述数据预处理模块连接,用于将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。
优选地,所述数据预处理模块包括:
比值转换子模块,用于计算采集到的所述表面增强拉曼光谱数据中峰1的面积值;
截取光谱子模块,其与所述比值转换子模块连接,用于将所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱;
去基线子模块,其与所述截取光谱子模块连接,用于采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线;采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据。
优选地,所述模型训练模块还用于将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
再一方面,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上文所述的方法。
其他方面,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现如上文所述的方法。
本发明至少具有以下优点之一:
本发明提供的一种基于深度学习的脑胶质瘤代谢关键特征pH值的测定方法和测定系统,能够实现对脑胶质瘤酸性边缘进行标定。本发明基于表面增强拉曼散射(SERS)芯片,采集脑胶质瘤可疑浸润区域对应的表面增强拉曼光谱;对得到的光谱数据进行预处理,通过一维卷积神经网络建立拉曼光谱与其pH值之间的映射关系;最终获得自动计算拉曼光谱对应pH值的深度学习模型。本发明作为拉曼信号处理新方法,为胶质瘤的术中酸性边界提供标定方案。且采用深度学习网络模型获得脑胶质瘤可疑浸润区域对应的pH值进而实现对脑胶质瘤酸性边缘进行标定。由于深度学习网络模型具备快速、计算结果准确的优势,由此提高了对脑胶质瘤酸性边缘进行标定效率与准确性。
附图说明
图1为本发明一实施例提供的一种脑胶质瘤浸润区域pH值测定方法的流程示意图;
图2为本发明一实施例提供的峰1面积计算示意图;
图3为本发明一实施例提供的拉曼光谱截取示意图;
图4为本发明一实施例提供的拉曼光谱延展示意图;
图5为本发明一实施例提供的去基线操作示意图;
图6为本发明一实施例提供的深度学习网络模型与传统回归模型测定pH的结果分布情况对比示意图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种脑胶质瘤浸润区域pH值测定方法及系统作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
如图1所示,本实施例提供的一种脑胶质瘤浸润区域pH值测定方法,包括:步骤S1、获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据。
所述表面增强拉曼光谱数据包括若干个,每一所述表面增强拉曼光谱数据的获取包括如下过程:
将移液管尖端的预设量的纯水与待检测的脑胶质瘤的浸润区域接触;
采用所述移液管尖端吸取位于待检测的脑胶质瘤的浸润区域上的全部水滴,滴到SERS芯片上。
采用拉曼扫描仪对所述SERS芯片进行扫描得到所述表面增强拉曼光谱数据。
所述预设量为约等于0.4μL与可疑组织(待检测的脑胶质瘤的浸润区域)接触2-4秒。所述拉曼扫描仪为785nm激光的手持拉曼扫描仪。
步骤S2、对所述表面增强拉曼光谱数据进行处理,得到光谱数据。
具体的,所述光谱数据与所述表面增强拉曼光谱数据数量相同且一一对应,每一所述光谱数据获取包括如下过程:
计算采集到的所述表面增强拉曼光谱数据中峰1的面积值。
所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱。
采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线。
采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据。
通过预处理,将数据降维,去除拉曼光谱中不需要的冗余部分,并过滤光谱中的噪声,有助于提高模型的鲁棒性以及对pH值的检测精度。
步骤S3、将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。
具体的,将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
具体的,用785nm激光的手持拉曼扫描仪获得由水样覆盖的SERS芯片区的拉曼光谱S0。
如图2所示,计算采集到的拉曼光谱S0中峰1的面积值。具体计算方法为,找到拉曼位移在(360,390)范围内光谱的最低点作为峰1的右侧波谷,其横坐标为x2。然后,通过点Q=(x2,y2)作Y轴的垂线,找到与拉曼光谱相交的点P=(x1,y1)作为峰1的左侧波谷。
拉曼光谱S0可表示为关于拉曼位移x的函数S0(x),则有:
面积值A定义为S0与y1之差从x1到x2的积分。
如图3所示,从拉曼光谱S0中移除峰1及峰1以左的数据,并同时移除拉曼位移大于1700cm-1的光谱。具体是,只保留原拉曼光谱数据的第80到第335个点,生成长度为256个点的新的拉曼光谱S1。
S1(i)=S0(i+79)(i=1,2,3···256) (4)
如图4所示,将新的拉曼光谱S1左侧端点向左扩展128个点,值与新的拉曼光谱S1第1个点的值相等;将新的拉曼光谱S1右侧端点向右扩展128个点,这些点的值与新的拉曼光谱S1第256个点的值相等,得到扩展后的、长度为512个点的光谱S1'。
式中,i、j表示拉曼光谱中的第i或j个点。
如图5所示,采用Savitzky-Golay平滑滤波器(此滤波器为现有的再次不做赘述)对长度为512个点的光谱S1'进行最小二乘拟合,滤波器阶数为0,窗宽为25,取结果的第128个点到384个点,共256个点作为进一步结果。将该结果的各点值与原光谱该点对应值作比较,取较小的值作为最终值,以此得到256个值作为光谱的基线Base。用新的拉曼光谱S1减去基线得到光谱S2,光谱S2与之前所算峰1面积A相除得到光谱数据S3,即:
将光谱数据S3作为深度模型的训练数据与测试数据。
建立基于一维卷积神经网络(CNN)的回归模型,包括6个卷积层、3个池化层、3个BatchNorm层、3个Dropout层以及2个全连接层。连接关系如下:将1个BatchNorm层后接2个卷积层、接1个Dropout层、接1个最大池化层共5层作为一次循环操作,输入数据通过三次该循环后,再接2个全连接层,即组成该卷积神经网络。训练方法与现有技术相同在此不再赘述。对上述经过预处理后的光谱数据S3以8:2比例分为训练数据与测试数据,对一维卷积神经网络的回归模型进行训练得到自动计算拉曼光谱pH值的深度学习模型。
如图6所示,其以箱线图的形式给出了2073例测试数据在各个pH值下、分别采用深度学习模型以及传统回归模型测定结果的分布情况对比。传统回归模型的建立方法为:
选取某一特定基底下的全部光谱(拉曼光谱)。除每个光谱中的峰1外,另外选取位于拉曼位移(360,560)之间的峰2、(670,780)之间的峰3以及(730,913)之间的峰3。计算所有光谱对应的峰2/峰1的值α1、峰3/峰1的值α2、峰3/峰1的值α3。
假设回归模型的形式为:
式中,β0~β9分别表示各个自变量对应的系数;利用传统的多元线性回归,对数据进行拟合,得到β0~β9的取值。得到传统回归模型。
将拟合的回归方程应用于所有基底,得到传统回归模型对应的pH计算结果。
结果显示,采用深度学习模型的结果线性度良好,决定系数为0.928,高于传统回归模型的0.746,效果提升百分比为24.40%,且在各个pH下测定结果较传统模型更加准确、方差更小。根据假设检验,pH值小于0.001,即两个模型在统计学上有显著性差异。
表1给出了深度学习网络模型针对来自于不同基底的拉曼光谱在不同pH值下具体的测定结果。可见本实施例提出的Deep Learning(深度学习)方法在各个pH下能得到0.24的平均绝对误差、0.16的方差以及12.05的误差平方和,均比传统回归模型有所提升,提升百分比分别为35.14%,42.86%和59.11%。
表1.深度学习模型与传统回归模型测定pH的结果对比
综上,本实施例设计了一套从表面增强拉曼散射基底中获取光谱,进而得到光谱所对应溶液pH值的标准化方法,从数据采集、数据预处理、模型训练三个步骤设计了行之有效的解决方案,最终以标准pH溶液测定为例获得了胶质瘤浸润区域pH值的精准测定。
另一方面,本实施例还提供一种脑胶质瘤浸润区域pH值测定系统,包括:
数据采集模块,其用于获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;
数据预处理模块,其与所述数据采集模块连接,用于对所述表面增强拉曼光谱数据进行处理,得到光谱数据;
模型训练模块,其与所述数据预处理模块连接,用于将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。
所述数据预处理模块包括:
比值转换子模块,用于计算采集到的所述表面增强拉曼光谱数据中峰1的面积值;
截取光谱子模块,其与所述比值转换子模块连接,用于将所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱;
去基线子模块,其与所述截取光谱子模块连接,用于采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线;采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据。
所述模型训练模块还用于将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
综上本实施例提供一种脑胶质瘤浸润区域pH值测定系统以实现对脑胶质瘤酸性边缘的标定,即本实施例描述了一种基于表面增强拉曼散射芯片与卷积神经网络的脑胶质瘤浸润区域pH值测定模型。本实施例提出的pH值测定系统由三个模块组成:(1)基于表面增强拉曼散射芯片的拉曼光谱采集子模块;(2)光谱数据预处理子模块;(3)生成测定胶质瘤浸润区域pH值的深度学习网络。本实施例需要指定待测的目标浸润区域,通过提出的脑胶质瘤浸润区域pH值测定模型可以实现pH值的精准测定,在各个pH下达到0.24的MAE,0.16的SD以及12.05的SSE。
再一方面,本发明还提供一种电子设备,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上文所述的方法。
其他方面,本发明还提供一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现如上文所述的方法。
综上所述,本发明提供的一种基于深度学习的脑胶质瘤代谢关键特征pH值的测定方法和测定系统,能够实现对脑胶质瘤酸性边缘进行标定。本发明基于表面增强拉曼散射(SERS)芯片,采集脑胶质瘤可疑浸润区域对应的表面增强拉曼光谱;对得到的光谱数据进行预处理,通过一维卷积神经网络建立拉曼光谱与其pH值之间的映射关系;最终获得自动计算拉曼光谱对应pH值的深度学习模型。本发明作为拉曼信号处理新方法,为胶质瘤的术中酸性边界提供标定方案。且采用深度学习网络模型获得脑胶质瘤可疑浸润区域对应的pH值进而实现对脑胶质瘤酸性边缘进行标定。由于深度学习网络模型具备快速、计算结果准确的优势,由此提高了对脑胶质瘤酸性边缘进行标定效率与准确性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (7)
1.一种脑胶质瘤浸润区域pH值测定方法,其特征在于,包括:
获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;
对所述表面增强拉曼光谱数据进行处理,得到光谱数据;
所述光谱数据与所述表面增强拉曼光谱数据数量相同且一一对应,每一所述光谱数据获取包括如下过程:
计算采集到的所述表面增强拉曼光谱数据中峰1的面积值;
所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱;
采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线;
采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据;
将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值。
2.如权利要求1所述的脑胶质瘤浸润区域pH值测定方法,其特征在于,所述表面增强拉曼光谱数据包括若干个,每一所述表面增强拉曼光谱数据的获取包括如下过程:
将移液管尖端的预设量的纯水与待检测的脑胶质瘤的浸润区域接触;
采用所述移液管尖端吸取位于待检测的脑胶质瘤的浸润区域上的全部水滴,滴到SERS芯片上;
采用拉曼扫描仪对所述SERS芯片进行扫描得到所述表面增强拉曼光谱数据。
3.如权利要求2所述的脑胶质瘤浸润区域pH值测定方法,其特征在于,将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
4.一种脑胶质瘤浸润区域pH值测定系统,其特征在于,包括:
数据采集模块,其用于获取脑胶质瘤浸润区域对应的表面增强拉曼光谱数据;
数据预处理模块,其与所述数据采集模块连接,用于对所述表面增强拉曼光谱数据进行处理,得到光谱数据;
模型训练模块,其与所述数据预处理模块连接,用于将所述光谱数据输入至预先训练好的深度学习网络模型内,预先训练好的所述深度学习网络模型对所述光谱数据进行处理得到与所述光谱数据相对应的pH值;所述数据预处理模块包括:
比值转换子模块,用于计算采集到的所述表面增强拉曼光谱数据中峰1的面积值;
截取光谱子模块,其与所述比值转换子模块连接,用于将所述表面增强拉曼光谱数据中移除所述峰1及所述峰1以左的表面增强拉曼光谱数据,并同时移除拉曼位移大于1700cm-1的表面增强拉曼光谱数据,得到截取后的拉曼光谱;
去基线子模块,其与所述截取光谱子模块连接,用于采用Savitzky-Golay平滑滤波器对所述截取后的拉曼光谱进行最小二乘拟合,得到光谱的基线;采用所述截取后的拉曼光谱减去所述基线,完成去基线操作,将去基线后的所述截取后的拉曼光谱与峰1面积值相除得到所述光谱数据。
5.如权利要求4所述的脑胶质瘤浸润区域pH值测定系统,其特征在于,所述模型训练模块还用于将若干个所述光谱数据为测试集和训练集,所述训练集用于对深度学习网络模型进行训练,由此建立光谱数据与其pH值之间的映射关系;
将所述测试集输入至训练好的深度学习网络模型内,根据所述光谱数据与其pH值之间的映射关系得到与所述光谱数据相对应的所述pH值。
6.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至3中任一项所述的方法。
7.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110428655.9A CN113035292B (zh) | 2021-04-21 | 2021-04-21 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110428655.9A CN113035292B (zh) | 2021-04-21 | 2021-04-21 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113035292A CN113035292A (zh) | 2021-06-25 |
CN113035292B true CN113035292B (zh) | 2022-11-04 |
Family
ID=76457134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110428655.9A Active CN113035292B (zh) | 2021-04-21 | 2021-04-21 | 一种脑胶质瘤浸润区域pH值测定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113035292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112200770A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
CN112505015A (zh) * | 2019-09-16 | 2021-03-16 | 山东农业大学 | 一种拉曼光谱快速预判牛肉pH值的方法 |
CN112557366A (zh) * | 2020-11-15 | 2021-03-26 | 复旦大学 | 一种基于pH试纸和拉曼光谱的微液滴pH检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487425A (zh) * | 2013-09-12 | 2014-01-01 | 福建师范大学 | 一种利用表面增强拉曼光谱判别癌细胞的方法 |
US11371941B2 (en) * | 2016-07-04 | 2022-06-28 | Celltool Gmbh | Device and method for the determination of transfection |
CN111812078A (zh) * | 2020-08-27 | 2020-10-23 | 上海交通大学医学院附属仁济医院 | 基于表面增强拉曼光谱的人工智能辅助前列腺肿瘤早期诊断方法 |
CN112651927A (zh) * | 2020-12-03 | 2021-04-13 | 北京信息科技大学 | 一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法 |
-
2021
- 2021-04-21 CN CN202110428655.9A patent/CN113035292B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112505015A (zh) * | 2019-09-16 | 2021-03-16 | 山东农业大学 | 一种拉曼光谱快速预判牛肉pH值的方法 |
CN112200770A (zh) * | 2020-09-08 | 2021-01-08 | 浙江大学山东工业技术研究院 | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 |
CN112557366A (zh) * | 2020-11-15 | 2021-03-26 | 复旦大学 | 一种基于pH试纸和拉曼光谱的微液滴pH检测方法 |
Non-Patent Citations (1)
Title |
---|
A pH ratiometrically responsive surface enhanced resonance Raman scattering probe for tumor acidic margin delineation and image-guided surgery;Wenjia Duan et al;《Chemical Science》;20200407;第4397-4402页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113035292A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Norris et al. | Optimization of mathematical treatments of raw near-infrared signal in the | |
CN107478580B (zh) | 基于高光谱遥感的土壤重金属含量估算方法及装置 | |
CN111855595B (zh) | 一种基于黑白校准板的光谱数据校准方法 | |
WO2014094039A1 (en) | A background correction method for a spectrum of a target sample | |
CN106918566A (zh) | 基于高光谱数据的土壤水分、盐分信息联合提取方法 | |
Peng et al. | Quantification of SOC and clay content using visible near-infrared reflectance–mid-infrared reflectance spectroscopy with Jack-knifing partial least squares regression | |
CN113035292B (zh) | 一种脑胶质瘤浸润区域pH值测定方法及系统 | |
CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
CN110231452B (zh) | 基于等温吸附曲线预测土壤粘粒含量或盐分含量的方法 | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN110632021A (zh) | 基于便携式近红外光谱仪的光谱检测方法及系统 | |
WO2020186844A1 (zh) | 自适应表面吸收光谱分析方法、系统、存储介质、设备 | |
CN114739919A (zh) | 一种基于光谱反演分析的水质检测方法 | |
CN110887800B (zh) | 一种用于光谱法水质在线监测系统的数据校准方法 | |
CN111141809B (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
CN112362609A (zh) | 基于红外光谱技术鉴别油渍烟污染源的方法 | |
CN112053299B (zh) | 一种基于胶体金免疫层析法的图像处理方法 | |
TW202009471A (zh) | 以螢光指紋分析所進行之樣本的評估、推定方法、程式及裝置 | |
CN111896497B (zh) | 一种基于预测值的光谱数据修正方法 | |
EP2002238B1 (en) | Method and system for the measurement of chemical species in caustic aluminate solutions | |
CN111337452A (zh) | 一种验证光谱数据模型转移算法可行性的方法 | |
CN111426648B (zh) | 一种红外谱图的相似度确定方法及系统 | |
CN105651735B (zh) | 基于空间分辨漫反射光谱反演生物组织光学特性的方法 | |
CN110243773B (zh) | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 | |
US20050083992A1 (en) | Method and apparatus for measuring temperature |
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 |