CN113854962B - 一种基于多波长光声谱的皮肤类型识别方法及系统 - Google Patents
一种基于多波长光声谱的皮肤类型识别方法及系统 Download PDFInfo
- Publication number
- CN113854962B CN113854962B CN202111081771.4A CN202111081771A CN113854962B CN 113854962 B CN113854962 B CN 113854962B CN 202111081771 A CN202111081771 A CN 202111081771A CN 113854962 B CN113854962 B CN 113854962B
- Authority
- CN
- China
- Prior art keywords
- skin
- photoacoustic
- different wavelengths
- spectrum
- support vector
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 59
- 230000036555 skin type Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000012706 support-vector machine Methods 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 22
- 230000031700 light absorption Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000010183 spectrum analysis Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 9
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 claims description 8
- 102000008186 Collagen Human genes 0.000 claims description 6
- 108010035532 Collagen Proteins 0.000 claims description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 6
- 108010054147 Hemoglobins Proteins 0.000 claims description 6
- 229920001436 collagen Polymers 0.000 claims description 6
- 208000016709 aortopulmonary window Diseases 0.000 claims description 5
- 150000002632 lipids Chemical class 0.000 claims description 4
- 206010041823 squamous cell carcinoma Diseases 0.000 claims description 4
- 206010004146 Basal cell carcinoma Diseases 0.000 claims description 3
- 230000037311 normal skin Effects 0.000 claims description 3
- 238000004867 photoacoustic spectroscopy Methods 0.000 claims description 3
- 238000001834 photoacoustic spectrum Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000010521 absorption reaction Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 229920002521 macromolecule Polymers 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010029098 Neoplasm skin Diseases 0.000 description 1
- 208000000453 Skin Neoplasms Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 208000035250 cutaneous malignant susceptibility to 1 melanoma Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
- A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Acoustics & Sound (AREA)
- Dermatology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及一种基于多波长光声谱的皮肤类型识别方法及系统，所述方法包括获取皮肤的光声时域信号，进行功率谱分析、积分处理，得到不同波长下的光声量化谱参数，基于上述不同波长下的光声量化谱参数对支持向量机模型进行训练，将待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数输入到支持向量机模型中，获取待识别皮肤的皮肤类型。与现有技术相比，本发明通过机器学习能节省识别时间，通过多波长下光声谱特征参数能更客观、定量且精确的识别皮肤组织类型。
Description
技术领域
本发明涉及生物超声识别领域，尤其是涉及一种基于多波长光声谱的皮肤类型识别方法及系统。
背景技术
皮肤肿瘤是人类最常见的肿瘤之一，其发病率随着人口的增长和人口老龄化呈逐年上升的趋势。目前皮肤类型的区分识别多以外观为基础，容易出现误诊或漏诊。活检仍是识别皮肤类型的金标准；然而，它是有创的和耗时的，组织切除活检给患者带来痛苦的同时，也会损伤周围皮肤组织及影响美容效果。
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。多波长光声谱技术能够从物理及化学组织层面上剖析不同类型皮肤组织成分的含量及微结构变化等，在皮肤类型的识别方面具有很大的应用前景。
现有技术中，如中国专利CN201910071235.2公开了一种基于光声光谱积分信号的岩屑类型识别方法及系统，该方法采用光声光谱的方法，但是其方案在于对岩屑的类型进行识别，涉及不同波长，但是未提及岩屑内的特征分子变化；且对所有波长进行积分，损失了具体的分子信息。另外中国专利CN201510935010公开了一种超声光声光声谱三模态成像系统及方法，该方法虽也进行多波长检测，但是获得为光声二维谱图，仅能支直观上定性对组织进行分析，无法获得量化信息，对组织进行客观准确的识别。
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多波长光声谱的皮肤类型识别方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于多波长光声谱的皮肤类型识别方法，包括以下步骤：
S1：获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号；
S2：对多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号进行功率谱分析，获取不同波长下多种类型皮肤组织的声功率谱；
S3：对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数；
S4：联合不同波长下的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型；
S5：获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中进行皮肤类型识别，获取待识别皮肤的皮肤类型。
优选地，所述的光声时域信号由脉冲激光源照射在皮肤组织上后通过超声宽带换能器进行采集获取，所述的脉冲激光源为可被皮肤组织内化学成分吸收的具有预定波长的光信号。
优选地，所述的脉冲激光源的波长范围包括690～950nm及1200～1800nm。
优选地，所述S1的皮肤组织的类型数量大于等于3。
优选地，所述不同波长下的光声量化谱参数为：
其中，APSDλ为光声量化谱参数值，λ为波长，p(f)为每个频率处的声功率密度，f0为下限频率，f1为上限频率。
优选地，所述不同波长下的光声量化谱参数表征了皮肤组织内不同特征分子的含量。
优选地，所述的特征分子包括皮肤组织的内血红蛋白、胶原、脂质、黑色素。
优选地，所述的皮肤组织的类型包括正常皮肤组织、皮肤基底细胞癌组织、皮肤鳞状细胞癌组织。
一种基于多波长光声谱的皮肤类型识别系统，包括信号获取模块、功率谱分析模块、积分处理模块、支持向量机模块、训练模块，
所述的信号获取模块用于获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号；
所述的功率谱分析模块用于对多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号进行功率谱分析，获取不同波长下多种类型皮肤组织的声功率谱；
所述的积分处理模块用于对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数；
所述的训练模块用于联合不同波长下的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型；
所述的支持向量机模块用于获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中对待识别皮肤进行皮肤类型识别，获取待识别皮肤的皮肤类型。
优选地，所述不同波长下的光声量化谱参数为：
其中，APSDλ为光声量化谱参数值，λ为波长，p(f)为每个频率处的声功率密度，f0为下限频率，f1为上限频率。
与现有技术相比，本发明具有如下优点：
1)、本发明通过皮肤组织的多个特征分子的光声时域信号获取皮肤组织不同波长下的光声量化谱参数，能够有效识别皮肤组织不同特征分子的量化信息，通过机器学习的形式进行分类识别，实现客观、定量、精确的皮肤组织类型识别。
2)、信息丰富：所识别的皮肤组织由特定的有机或无机大分子组成，其均具有特定的光吸收性质，本发明基于不同波长的脉冲激光源对皮肤组织的光声时域信号进行获取，可以在不同的波段特异性地检测不同的特征分子，完成波长扫描后即可获得多种特征分子的特征信号，包括血红蛋白、脂肪、胶原等特征分子，本发明可对皮肤组织内多种物质进行定征和分析，提供皮肤组织内丰富的分子化学信息，为支持向量机模型提供丰富的数据基础，提高识别的准确性。
3)、客观评价：本发明在进行光声时域信号获取时，可将待识别皮肤组织的光声时域信号与黑体产生的光声时域信号进行能量归一，用于去除不同波长下的能量差异，并对用于接受皮肤组织光声时域信号的超声宽带换能器进行了频响校准，提取的光声量化谱参数将检测设备脉冲激光源、超声宽带换能器的影响分离出来，提供了与检测设备无关的更为客观的定量结果，可进行多次重复测量，因此可对皮肤类型进行更为客观、准确的评估识别。
4)、定量评估：所提取的光声量化谱参数与生物组织中特征分子的含量高度相关，通过提取不同波长下的光声量化谱参数可得到皮肤组织内相应分子的相对含量，可对不同类型皮肤组织内的分子化学含量进行量化分析，从而实现对不同类型的皮肤类型进行定量评估。
5)、快速精准识别：将不同皮肤组织的多种特征分子的光声量化谱参数输入机器学习支持向量机进行训练学习，通过支持向量机模型能节省耗费的时间，并减弱因为人为识别造成的误诊率，智能、精确识别不同类型的皮肤组织。
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功率谱示意图。
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。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。
实施例
一种基于多波长光声谱的皮肤类型识别方法，所述方法基于皮肤组织内多种特征分子的内源性吸收特性，对皮肤类型进行识别区分，是一种无创且迅捷的物质表征方法，基于皮肤组织内多个特征分子光吸收特性，采集不同类型皮肤组织内多个特征分子光声信号；利用声功率谱分析，得到可以反映特征分子含量的光声量化谱参数；联合多波长下的光声量化谱参数，将其作为机器学习支持向量机模型的输入特征参数进行训练；通过所述支持向量机模型分析识别不同类型的皮肤组织，如图1所示，具体包括以下步骤：
S1：获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号。本实施例中，分别测量N种不同类型皮肤组织的多个特征分子的光吸收波段的光声时域信号，其中N为不小于3的正整数；所述N种不同类型皮肤组织的多个特征分子的光声时域信号的波长测量范围相同，覆盖皮肤组织内多个特征分子的特征光吸收波长。本实施例中的光声时域信号可采用现有的数据集，获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号后组成用于训练向量机模型的数据库。
本发明中，光声时域信号由脉冲激光源照射在皮肤组织上后通过超声宽带换能器进行采集获取，脉冲激光源为可被皮肤组织内化学成分吸收的具有预定波长的光信号。所述多个特征分子的光吸收波段的脉冲激光源是指可被皮肤组织内特定化学成分吸收的具有预定波长的光信号，波长范围覆盖690-950nm及1200-1800nm，包括但不仅限于有氧血红蛋白的吸收波长750nm，脂肪的吸收波长1210nm，胶原的吸收波长1310nm等多种特定分子的光吸收波长。
脉冲激光源照射在皮肤组织上后，通过超声宽带换能器进行采集，获取特征分子的光声时域信号。本实施例中，针对采集到的不同波长下的皮肤组织的光声时域信号，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，并进一步对超声宽带换能器进行频响校准，去除系统影响。
本实施例中，激光源为OPOTEK脉冲激光器，采集时利用黑体产生的光声时域信号进行能量归一，去除了OPOTEK脉冲激光器不同波长下能量的波动带来的影响；通过频响校准去除了超声宽带换能器对不同频率响应不同的影响。
本实施例中所采用的皮肤组织类型包括但不限于正常皮肤组织、皮肤基底细胞癌组织、皮肤鳞状细胞癌组织、皮肤原发鳞癌组织、皮肤恶性黑色素瘤组织。
S2：对所述N种不同类型皮肤组织的多个特征分子的光声时域信号进行功率谱分析，得到不同波长下N种不同类型皮肤组织的声功率谱。
S2：对所述N种不同类型皮肤组织的多个特征分子的光声时域信号进行功率谱分析，得到不同波长下N种不同类型皮肤组织的声功率谱。
S3：对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数。光声量化谱参数与检测设备脉冲激光源、超声宽带换能器无关，光声量化谱参数与实验检测系统的换能器的频率相应相应、以及激光器不同波长下的能量差异等因素无关，只与生物组织内特征分子的含量有关，反映了皮肤组织内特征大分子的光吸收，与皮肤组织内的特征分子含量成正比关系，不同波长下表征皮肤组织内特征分子含量的光声量化谱参数所对应的数学公式如下：
其中，APSDλ为光声量化谱参数值，λ为波长，p(f)为每个频率处的声功率密度，f0为下限频率，f1为上限频率。上限频率、下限频率的大小及两者范围应综合考虑所使用换能器带宽及特征分子团簇尺度范围确定。
不同波长下的光声量化谱参数表征了皮肤组织内不同特征分子的含量，所述特征分子包含但不仅限于皮肤组织内血红蛋白、胶原、脂质、黑色素等。联合多波长下的光声量化谱参数，可以同时对皮肤组织内多种特征生物大分子含量进行定量分析，提供丰富的分子化学信息以实现对皮肤组织类型的定量表征。
S4：联合多波长下表征各类皮肤组织内特征分子含量的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型。本实施例中，利用交叉验证法对所述支持向量机模型进行训练测试，得到训练后的稳定的支持向量机模型。
S5：获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中进行皮肤类型识别，获取待识别皮肤的皮肤类型。
另外，本实施例中提供了一种基于多波长光声谱的皮肤类型识别系统，包括信号获取模块、功率谱分析模块、积分处理模块、训练模块、支持向量机模块。进一步地，信号获取模块用于获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号；功率谱分析模块用于对多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号进行功率谱分析，获取不同波长下多种类型皮肤组织的声功率谱；积分处理模块用于对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数；训练模块用于联合不同波长下的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型；支持向量机模块用于获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中进行皮肤类型识别，对待识别皮肤进行皮肤类型识别。
本发明在应用时，通过脉冲激光源照射在皮肤组织上，基于皮肤组织内多种特征分子的内源性吸收特性，不会对皮肤组织造成损伤，对不同类型的皮肤组织进行检测识别，是一种无创且迅捷的皮肤类型识别方式。
上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (6)
1.一种基于多波长光声谱的皮肤类型识别方法，其特征在于，包括以下步骤：
S1：获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号；
S2：对多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号进行功率谱分析，获取不同波长下多种类型皮肤组织的声功率谱；
S3：对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数；
S4：联合不同波长下的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型；
S5：获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中进行皮肤类型识别，获取待识别皮肤的皮肤类型；
所述不同波长下的光声量化谱参数为：
其中，APSDλ为光声量化谱参数值，λ为波长，p(f)为每个频率处的声功率密度，f0为下限频率，f1为上限频率；
所述不同波长下的光声量化谱参数表征了皮肤组织内不同特征分子的含量，所述的特征分子包括皮肤组织的血红蛋白、胶原、脂质、黑色素。
2.根据权利要求1所述的一种基于多波长光声谱的皮肤类型识别方法，其特征在于，所述的光声时域信号由脉冲激光源照射在皮肤组织上后通过超声宽带换能器进行采集获取，所述的脉冲激光源为可被皮肤组织内化学成分吸收的具有预定波长的光信号。
3.根据权利要求2所述的一种基于多波长光声谱的皮肤类型识别方法，其特征在于，所述的脉冲激光源的波长范围包括690～950nm及1200～1800nm。
4.根据权利要求1所述的一种基于多波长光声谱的皮肤类型识别方法，其特征在于，所述S1中皮肤组织的类型数量大于等于3。
5.根据权利要求1所述的一种基于多波长光声谱的皮肤类型识别方法，其特征在于，所述的皮肤组织的类型包括正常皮肤组织、皮肤基底细胞癌组织、皮肤鳞状细胞癌组织。
6.一种基于多波长光声谱的皮肤类型识别系统，其特征在于，包括信号获取模块、功率谱分析模块、积分处理模块、支持向量机模块、训练模块，
所述的信号获取模块用于获取多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号；
所述的功率谱分析模块用于对多种类型的皮肤组织的多个特征分子的光吸收波段的光声时域信号进行功率谱分析，获取不同波长下多种类型皮肤组织的声功率谱；
所述的积分处理模块用于对所述不同波长下多种类型皮肤组织的声功率谱的功率谱密度进行积分处理，得到不同波长下的光声量化谱参数；
所述的训练模块用于联合不同波长下的光声量化谱参数作为机器学习支持向量机模型的输入特征参数值，对支持向量机模型进行训练学习，得到训练后的支持向量机模型；
所述的支持向量机模块用于获取待识别皮肤的表征皮肤组织内特征分子含量的光声量化谱参数，输入到支持向量机模型中对待识别皮肤进行皮肤类型识别，获取待识别皮肤的皮肤类型；
所述不同波长下的光声量化谱参数为：
其中，APSDλ为光声量化谱参数值，λ为波长，p(f)为每个频率处的声功率密度，f0为下限频率，f1为上限频率；
所述不同波长下的光声量化谱参数表征了皮肤组织内不同特征分子的含量，所述的特征分子包括皮肤组织的血红蛋白、胶原、脂质、黑色素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111081771.4A CN113854962B (zh) | 2021-09-15 | 2021-09-15 | 一种基于多波长光声谱的皮肤类型识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111081771.4A CN113854962B (zh) | 2021-09-15 | 2021-09-15 | 一种基于多波长光声谱的皮肤类型识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113854962A CN113854962A (zh) | 2021-12-31 |
| CN113854962B true CN113854962B (zh) | 2023-11-24 |
Family
ID=78996061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111081771.4A Active CN113854962B (zh) | 2021-09-15 | 2021-09-15 | 一种基于多波长光声谱的皮肤类型识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113854962B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111639265B (zh) * | 2020-06-24 | 2022-07-08 | 上海工艺美术职业学院 | 皮肤分类方法及装置 |
| CN116842436B (zh) * | 2023-06-07 | 2024-01-16 | 中国医学科学院北京协和医院 | 一种多光谱组合的皮肤基底细胞癌识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106308750A (zh) * | 2016-08-22 | 2017-01-11 | 重庆医科大学附属儿童医院 | 一种黑色素含量变化的检测方法 |
| CN106510635A (zh) * | 2016-11-30 | 2017-03-22 | 江西科技师范大学 | 一种皮肤血管光声成像装置 |
| CN109662720A (zh) * | 2018-11-27 | 2019-04-23 | 中国科学院深圳先进技术研究院 | 基于深度学习的多频段光声无创血糖浓度预测系统 |
| CN109709045A (zh) * | 2019-01-25 | 2019-05-03 | 长江大学 | 基于光声光谱积分信号的岩屑类型识别方法及系统 |
| 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 |
| CN111836572A (zh) * | 2018-03-09 | 2020-10-27 | 慕尼黑技术大学 | 用于组织测量的传感器 |
| CN113109266A (zh) * | 2021-03-23 | 2021-07-13 | 同济大学 | 一种基于多维光声谱的物质智能表征方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7322972B2 (en) * | 2002-04-10 | 2008-01-29 | The Regents Of The University Of California | In vivo port wine stain, burn and melanin depth determination using a photoacoustic probe |
| US9757092B2 (en) * | 2011-11-02 | 2017-09-12 | Seno Medical Instruments, Inc. | Method for dual modality optoacoustic imaging |
| US10746706B2 (en) * | 2014-01-03 | 2020-08-18 | The Regents Of The University Of Michigan | Photoacoustic physio-chemical tissue analysis |
-
2021
- 2021-09-15 CN CN202111081771.4A patent/CN113854962B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106308750A (zh) * | 2016-08-22 | 2017-01-11 | 重庆医科大学附属儿童医院 | 一种黑色素含量变化的检测方法 |
| CN106510635A (zh) * | 2016-11-30 | 2017-03-22 | 江西科技师范大学 | 一种皮肤血管光声成像装置 |
| CN111836572A (zh) * | 2018-03-09 | 2020-10-27 | 慕尼黑技术大学 | 用于组织测量的传感器 |
| CN109662720A (zh) * | 2018-11-27 | 2019-04-23 | 中国科学院深圳先进技术研究院 | 基于深度学习的多频段光声无创血糖浓度预测系统 |
| CN109709045A (zh) * | 2019-01-25 | 2019-05-03 | 长江大学 | 基于光声光谱积分信号的岩屑类型识别方法及系统 |
| 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 |
| CN113109266A (zh) * | 2021-03-23 | 2021-07-13 | 同济大学 | 一种基于多维光声谱的物质智能表征方法 |
Non-Patent Citations (3)
| Title |
|---|
| Photoacoustic Classification of Tumor Model Morphology Based on Support Vector Machine: A Simulation and Phantom Study;Hengrong Lan，et al;《IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS》;20190228;第25卷(第1期);第1-9页 * |
| 两种皮肤恶性肿瘤的光声谱甄别研究;潘晶，等;《声学技术》;20181231;第37卷(第6期);第393-394页 * |
| 光声技术在皮肤疾病中的研究进展;文龙，等;《中国激光医学杂志》;20190430;第28卷(第2期);第107-111页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113854962A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113854962B (zh) | 一种基于多波长光声谱的皮肤类型识别方法及系统 | |
| US5596992A (en) | Multivariate classification of infrared spectra of cell and tissue samples | |
| KR100398362B1 (ko) | 근적외선 분광 분석법에 의한 피부 수분 측정방법 및 장치 | |
| Woess et al. | Assessing various Infrared (IR) microscopic imaging techniques for post-mortem interval evaluation of human skeletal remains | |
| US8239139B2 (en) | Multimodal spectroscopic systems and methods for classifying biological tissue | |
| AU2010333666A1 (en) | Apparatus and methods for in vivo tissue characterization by Raman spectroscopy | |
| JP2007531598A (ja) | 脆弱プラークの双対変域判別のための方法およびシステム | |
| Camerlingo et al. | Wavelet data processing of micro-Raman spectra of biological samples | |
| CN105380609A (zh) | 基于多光谱的皮肤检测方法与系统 | |
| Araújo et al. | Finding reduced Raman spectroscopy fingerprint of skin samples for melanoma diagnosis through machine learning | |
| CN112200770A (zh) | 一种基于拉曼光谱和卷积神经网络的肿瘤检测方法 | |
| CN111157511A (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
| US20190277755A1 (en) | Device and method for tissue diagnosis in real-time | |
| US20120316446A1 (en) | Raman spectral analysis for disease detection and monitoring | |
| Liu et al. | Determination of total protein and wet gluten in wheat flour by Fourier transform infrared photoacoustic spectroscopy with multivariate analysis | |
| de Oliveira Nunes et al. | FT‐Raman spectroscopy study for skin cancer diagnosis | |
| KR101300551B1 (ko) | 전자파의 측정 방법 및 측정 장치 | |
| WO2020130942A1 (en) | A non-destructive system and method for determining the quality of chinese herb using terahertz time-domain spectroscopy | |
| CN116399850B (zh) | 一种用于光信号处理的光谱探测识别系统及其探测方法 | |
| CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
| Luo et al. | FT-NIR and confocal microscope raman spectroscopic studies of sesame oil adulteration | |
| CN113109266B (zh) | 一种基于多维光声谱的物质智能表征方法 | |
| Cheng et al. | Recognition of MIR Data of Semen Armeniacae Amarum and Semen Persicae Using Discrete Wavelet Transformation and BP‐Artificial Neural Network | |
| Hu et al. | Research on rice seed fullness detection method based on terahertz imaging technology and feature extraction method | |
| Zhang et al. | Characterization of fresh milk products based on multidimensional Raman spectroscopy |
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 |