CN113740268B - 一种基于光声时频谱的穿刺组织条分级方法 - Google Patents
一种基于光声时频谱的穿刺组织条分级方法 Download PDFInfo
- Publication number
- CN113740268B CN113740268B CN202111081772.9A CN202111081772A CN113740268B CN 113740268 B CN113740268 B CN 113740268B CN 202111081772 A CN202111081772 A CN 202111081772A CN 113740268 B CN113740268 B CN 113740268B
- Authority
- CN
- China
- Prior art keywords
- photoacoustic
- time
- frequency
- tissue
- grading
- 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
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1702—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids
- G01N2021/1706—Systems in which incident light is modified in accordance with the properties of the material investigated with opto-acoustic detection, e.g. for gases or analysing solids in solids
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种基于光声时频谱的穿刺组织条分级方法,包括以下步骤:1)对穿刺组织条样本进行红外波段的脉冲光声检测,分别获取胶原及脂质分子光吸收波段下的脉冲光声信号;2)通过小波变换将脉冲光声信号在时域和频域两个维度展开,获取胶原及脂质分子在光吸收波段下的光声时频谱图;3)采用深度学习方法对光声时频谱图提取图像特征,并根据图像特征进行组织分类或者分级判别;4)汇总不同类别或等级的穿刺组织条样本信息以及对应的光声时频谱图特征信息,并在数据服务器中建立光声数据库。与现有技术相比,本发明具有涵盖胶原和脂质分子信息、客观评价、快速精准识别、适合细长条状的组织分类及分级等优点。
Description
技术领域
本发明涉及生物医学超声领域,尤其是涉及一种基于光声时频谱的前列腺穿刺组织条分级方法。
背景技术
前列腺癌是我国目前男性多发癌症之一,近年来发病率和死亡率均呈逐年上升趋势,前列腺癌是一种发展相对缓慢的肿瘤,早期前列腺癌治疗后的5年生存率大于95%,因此提高我国前列腺癌的早期诊断率是十分重要的。
目前前列腺癌检测首先是通过经直肠超声确定癌变区域,再通过前列腺穿刺进行等级分类的方式。但现有的超声系统对早期前列腺癌的诊断灵敏度较低,易出现假阴性穿刺结果。因此对于病人来说,需要穿刺50多处位置才能提高确诊率,这会给病人带来极大的身心痛苦。对于穿刺活检出的组织条,一般长度大约为15mm左右,病理上是利用Gleasonscore评分基准对整根组织条进行恶性程度评级,Gleason score评分最高的区域为这一整根组织条最终的Gleason score评分,但是一般15mm的穿刺组织条仅有20%的区域为肿瘤区域(0~4mm)左右,因此如果对整张病理切片按照每个组织点进行读取分类,耗时长且需要有经验的医师进行精准判别。因此,需要一种更准确及易推广的方式来辅助检测,以有效的剥离出感兴趣区域,减少病理方式的人工耗时。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于光声时频谱的穿刺组织条分级方法。
本发明的目的可以通过以下技术方案来实现:
一种基于光声时频谱的穿刺组织条分级方法,包括以下步骤:
1)对穿刺组织条样本进行红外波段的脉冲光声检测,分别获取胶原及脂质分子光吸收波段下的脉冲光声信号;
2)通过小波变换将脉冲光声信号在时域和频域两个维度展开,获取胶原及脂质分子在光吸收波段下的光声时频谱图;
3)采用深度学习方法对光声时频谱图提取图像特征,并根据图像特征进行组织分类或者分级判别;
4)汇总不同类别或等级的穿刺组织条样本信息以及对应的光声时频谱图特征信息,并在数据服务器中建立光声数据库。
所述的步骤1)中,脉冲光声检测采用的波段包括胶原分子吸收波段1310nm和脂质分子吸收波段1210nm。
所述的步骤2)中,在光声时频谱图中,横坐标为时间,对应穿刺组织条的不同位置,纵坐标为频率,代表组织内分子团簇的尺寸信息。
所述的穿刺组织条形状呈细长条形,其长度远大于宽度,使其仅有一个维度以对应时间。
所述的步骤3)中,采用残差网络对光声时频谱图提取图像特征。
对光声时频谱图提取图像特征包括同类/异类分子团簇尺寸、含量以及异类分子类别信息。
所述的残差网络内部的残差块采用跳跃连接,用以缓解深度神经网络中增加深度带来的梯度消失的问题,解决深度网络退化问题。
所述的步骤1)中,对于采集到的光声信号进行能量归一处理,去除能量扰动,并对换能器进行频响校准,去除系统影响。
采用黑体信号对不同波长造成的脉冲激光能量差异进行激光光能量校准,实现能量归一。
以光声时频谱图特征信息作为输入,以Gleason score评分作为输出,通过构建神经网络进行组织分类或者分级判别。
与现有技术相比,本发明具有以下优点:
一、涵盖胶原及脂质的分子信息:基于本发明能够有效检测胶原及脂质分子的特征信息,有效、快速提取特征分子信息区分不同类别/等级的组织。
二、客观评价:待测组织样本的光声信号与黑体产生的光声信号进行了能量归一,用于去除能量扰动,并进一步对换能器进行了频响校准,提供了与系统无关的更为客观的定量结果,并对组织的光声信号在时域和频域两个维度上展开可剥离出感兴趣区域,去除其他部分的影响。
三、快速精准识别:残差网络模型对光声时频谱图进行图像特征读取,其中特征信息包含了同类分子团簇尺寸、含量以及异类分子类别等信息,残差网络内部的残差块使用了跳跃连接,缓解了深度神经网络中增加深度带来的梯度消失的问题,并且一定程度上解决了深度网络中的退化问题,能够带来更高的准确率,针对光声时频谱图,能进行高效准确的分类。
四、建立光声数据库:积累不同类别/等级样本信息以及相应的光声时频谱图辅助建立光声数据库。
五、适合细长条状的组织分级:本发明通过小波变换将脉冲光声信号在时域和频域两个维度展开,并构建光声时频谱图,使得在光声时频谱图的时间轴与近似一维的细长条形组织对应,更加准确的得到感兴趣区域,进而得到整个组织范围内的评分。
附图说明
图1为本发明的流程图。
图2为本发明采集的光声时频谱示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1所示,本发明提供一种基于光声时频谱的穿刺组织条分级方法,主要包括以下步骤:
步骤1、对穿刺组织条开展红外波段的脉冲光声检测,分别测量组织样本,得到在胶原及脂质分子光吸收波段下的脉冲光声信号;
步骤2、利用小波变换,将光声信号在时域和频域信号两个维度展开,得到胶原及脂质分子光吸收波段下的光声时频谱图(如图2所示),图中横坐标为时间,对于穿刺条等细长条组织,即对应穿刺组织条的不同位置,纵坐标为频率,代表组织内分子团簇的尺寸信息。
步骤3、通过深度学习方式,如残差网络对时频谱图像,提取图像特征,提取信息包括同类/异类分子团簇尺寸、含量等信息,进行组织分类或者分级判别;
步骤4、积累不同类别/等级样本信息以及相应的光声时频谱图等信息,建立光声数据库。
针对采集到的光声信号,需要使用黑体信号对不同波长造成的脉冲激光能量差异进行激光光能量校准,并进一步对换能器进行频响校准,去除系统影响。
步骤1中,对穿刺组织条开展红外波段的脉冲光声检测包含脂质分子1210nm及胶原分子1310nm等双分子的光吸收波长。
步骤2中,时频谱分析对于细长型组织样本,横坐标时间信息对应于位置信息,可得到分子团簇尺寸、含量等信息的空间分布情况,剥离出感兴趣区域,进行针对性特征分子物理及化学信息提取。
步骤3中,残差网络模型对光声时频谱图进行图像特征提取,其中特征信息包含了同类分子团簇尺寸、含量以及异类分子类别等信息,残差网络内部的残差块使用了跳跃连接,缓解了深度神经网络中增加深度带来的梯度消失的问题,并且一定程度上解决了深度网络中的退化问题,能够带来更高的准确率,针对光声时频谱图等图像分类,能进行高效准确的分类。
综上,光声技术因其是“光进声出”,结合了光学成像的高灵敏度和超声成像的高分辨率特点,光声信号携带了组织的光学、热力学和微结构信息,可以表达生物组织的分子、化学和功能等多维度信息。通过改变光波波长来研究被测对象的光声信号变化,在光波长维度上的信号响应表征了待检测组织的分子化学信息,可用于与分子含量相关的分析;在声频率维度上的展开表征了吸收光的分子团簇的尺度分布,可用于量化生物大分子的微结构评估,本发明结合时频谱分析,增加了时间维度上的信息,针对穿刺条等细长型组织条,可以多加提供位置信息,易于剥离出感兴趣的区域,因此,该方法可实现穿刺条组织的早期分级与区分。
Claims (10)
1.一种基于光声时频谱的穿刺组织条分级方法,其特征在于,包括以下步骤:
1)对穿刺组织条样本进行红外波段的脉冲光声检测,分别获取胶原及脂质分子光吸收波段下的脉冲光声信号;
2)通过小波变换将脉冲光声信号在时域和频域两个维度展开,获取胶原及脂质分子在光吸收波段下的光声时频谱图;
3)采用深度学习方法对光声时频谱图提取图像特征,并根据图像特征进行组织分类或者分级判别;
4)汇总不同类别或等级的穿刺组织条样本信息以及对应的光声时频谱图特征信息,并在数据服务器中建立光声数据库。
2.根据权利要求1所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的步骤1)中,脉冲光声检测采用的波段包括胶原分子吸收波段1310nm和脂质分子吸收波段1210nm。
3.根据权利要求1所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的步骤2)中,在光声时频谱图中,横坐标为时间,对应穿刺组织条的不同位置,纵坐标为频率,代表组织内分子团簇的尺寸信息。
4.根据权利要求3所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的穿刺组织条形状呈细长条形,其长度远大于宽度,使其仅有一个维度以对应时间。
5.根据权利要求1所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的步骤3)中,采用残差网络对光声时频谱图提取图像特征。
6.根据权利要求5所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,对光声时频谱图提取图像特征包括同类/异类分子团簇尺寸、含量以及异类分子类别信息。
7.根据权利要求5所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的残差网络内部的残差块采用跳跃连接,用以缓解深度神经网络中增加深度带来的梯度消失的问题,解决深度网络退化问题。
8.根据权利要求1所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的步骤1)中,对于采集到的光声信号进行能量归一处理,去除能量扰动,并对换能器进行频响校准,去除系统影响。
9.根据权利要求8所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,采用黑体信号对不同波长造成的脉冲激光能量差异进行激光光能量校准,实现能量归一。
10.根据权利要求1所述的一种基于光声时频谱的穿刺组织条分级方法,其特征在于,所述的步骤3)中,以光声时频谱图特征信息作为输入,以Gleason score评分作为输出,通过构建神经网络进行组织分类或者分级判别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081772.9A CN113740268B (zh) | 2021-09-15 | 2021-09-15 | 一种基于光声时频谱的穿刺组织条分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081772.9A CN113740268B (zh) | 2021-09-15 | 2021-09-15 | 一种基于光声时频谱的穿刺组织条分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113740268A CN113740268A (zh) | 2021-12-03 |
CN113740268B true CN113740268B (zh) | 2022-09-09 |
Family
ID=78739095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081772.9A Active CN113740268B (zh) | 2021-09-15 | 2021-09-15 | 一种基于光声时频谱的穿刺组织条分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113740268B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
CN110361357A (zh) * | 2019-04-29 | 2019-10-22 | 同济大学 | 一种用于皮肤检测的单阵元光声谱信号获取系统及方法 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9757092B2 (en) * | 2011-11-02 | 2017-09-12 | Seno Medical Instruments, Inc. | Method for dual modality optoacoustic imaging |
-
2021
- 2021-09-15 CN CN202111081772.9A patent/CN113740268B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019183584A1 (en) * | 2018-03-23 | 2019-09-26 | Memorial Sloan Kettering Cancer Center | Deep encoder-decoder models for reconstructing biomedical images |
CN110361357A (zh) * | 2019-04-29 | 2019-10-22 | 同济大学 | 一种用于皮肤检测的单阵元光声谱信号获取系统及方法 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
Non-Patent Citations (1)
Title |
---|
基于光声谱的生物组织"指纹"光声诊断术;程茜等;《应用声学》;20180116(第01期);第88-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113740268A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lohumi et al. | Raman imaging from microscopy to macroscopy: quality and safety control of biological materials | |
Yan et al. | Tongue squamous cell carcinoma discrimination with Raman spectroscopy and convolutional neural networks | |
Carvalho et al. | In vivo Raman spectroscopic characteristics of different sites of the oral mucosa in healthy volunteers | |
CA2784294A1 (en) | Apparatus and methods for in vivo tissue characterization by raman spectroscopy | |
CN107392920B (zh) | 一种基于可见光-太赫兹光的植株健康辨别方法和装置 | |
CN114923893B (zh) | 一种无损免标记快速乳腺癌拉曼光谱病理分级分期方法 | |
Lin et al. | Discrimination of lung tumor and boundary tissues based on laser-induced breakdown spectroscopy and machine learning | |
CN103393409A (zh) | 一种多维生物光声图像谱综合分析方法 | |
Li et al. | Study on terahertz spectrum analysis and recognition modeling of common agricultural diseases | |
Chang et al. | Deep learning methods for oral cancer detection using Raman spectroscopy | |
US10801952B2 (en) | Skin cancer biomarker detection by infrared spectroscopy | |
Devpura et al. | Detection of benign epithelia, prostatic intraepithelial neoplasia, and cancer regions in radical prostatectomy tissues using Raman spectroscopy | |
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 | |
CN113854962B (zh) | 一种基于多波长光声谱的皮肤类型识别方法及系统 | |
CN113740268B (zh) | 一种基于光声时频谱的穿刺组织条分级方法 | |
CN204909588U (zh) | 一种带有光纤探针的穿刺活检针 | |
US11530985B2 (en) | Cancer diagnosis by refractive index multifractality | |
CN104076003B (zh) | 一种矿物光谱吸收特征参数的提取方法 | |
CN112716447A (zh) | 一种基于拉曼检测光谱数据深度学习的口腔癌分类系统 | |
CN107303174A (zh) | 一种互联网+光谱肿瘤临床医学诊断方法 | |
Li | Hyperspectral imaging technology used in tongue diagnosis | |
US10531862B2 (en) | System and method for attaching a biopsy collecting device to a spectroscopy system | |
Shakya et al. | Optimization of measurement mode and sample processing for FTIR microspectroscopy in skin cancer research | |
CN111398250A (zh) | 一种基于光与物质相互作用所产生的分子碎片谱的肿瘤诊断方法 | |
CN110897593A (zh) | 一种基于光谱特征参数的宫颈癌前病变诊断方法 |
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 |