CN116167964A - 基于肿瘤高光谱图像的肿瘤分类方法及系统 - Google Patents
基于肿瘤高光谱图像的肿瘤分类方法及系统 Download PDFInfo
- Publication number
- CN116167964A CN116167964A CN202211500673.4A CN202211500673A CN116167964A CN 116167964 A CN116167964 A CN 116167964A CN 202211500673 A CN202211500673 A CN 202211500673A CN 116167964 A CN116167964 A CN 116167964A
- Authority
- CN
- China
- Prior art keywords
- tumor
- classification
- hyperspectral image
- data
- hyperspectral
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于肿瘤高光谱图像的肿瘤分类方法及系统,该方法包括:获取肿瘤组织的高光谱图像和环境光高光谱图像,提取环境光光谱特征和肿瘤高光谱图像数据;对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;该肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。本发明根据肿瘤高光谱图像数据,利用构建的综合不同分类算法的肿瘤分类模型进行肿瘤分类,实现分类效率和准确性的提高。
Description
技术领域
本发明涉及高光谱技术应用领域,尤其涉及一种基于肿瘤高光谱图像的肿瘤分类方法及系统。
背景技术
肿瘤作为发病率极高的疾病之一,影响人们的健康生活。肿瘤在临床上可以分为良性肿瘤和恶性肿瘤,良性肿瘤包括脂肪瘤、纤维瘤、血管瘤、神经鞘瘤等,而恶性肿瘤分为上皮来源的恶性肿瘤和间质来源的恶性肿瘤,上皮来源的恶性肿瘤包括鳞癌、腺癌等,间质来源的恶性肿瘤包括脂肪肉瘤、血管肉瘤、淋巴瘤等。通常来说,良性肿瘤不会引起患者死亡,而恶性肿瘤若不及时治疗,往往造成患者死亡。肿瘤的类型需经过病理检验确定,检验分类结果是制定后续治疗方案的重要依据,对整个治疗过程起到举足轻重的影响。因此,对初期肿瘤进行分类有利于患者治疗方案的确定,对症下药,进而提高患者的治疗效果。
现阶段肿瘤分类的方法主要为,通过采集患者体液或肿瘤组织,经过一系列处理后获取肿瘤组织标本,根据该标本由病理医师进行病理学检测,得到肿瘤的病理分型和基因分型。现有的肿瘤分类方法制片即获取肿瘤组织标本操作复杂,需要大量时间、人力、物力成本,繁琐的过程不但不便操作,而且还会造成一定的资源浪费。此外,人为检测受外部影响较大,容易产生失误,造成检测分类结果不准确的问题。
发明内容
为解决上述现有技术的不足,本发明提供了一种基于肿瘤高光谱图像的肿瘤分类方法及系统,根据肿瘤组织的高光谱图像数据,利用构建的综合不同分类算法的肿瘤分类模型,进行肿瘤分类,实现分类效率和准确性的提高,减少分类所需时间和相关资源的消耗。
第一方面,本公开提供了一种基于肿瘤高光谱图像的肿瘤分类方法,包括以下步骤:
获取肿瘤组织的高光谱图像和环境光高光谱图像,提取环境光光谱特征和肿瘤高光谱图像数据;
基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
进一步的技术方案,基于环境光高光谱图像,通过区域隔点像素点采样取平均,提取环境光光谱特征,具体为:
通过隔点采样提取环境光高光谱图像中多个像素点的一维光谱数据,以每行对应一个像素点,每列对应一个波长,按列求和取平均,获取一行数据,将该行数据作为环境光光谱特征。
进一步的技术方案,所述预处理包括:
将获取的肿瘤高光谱图像各像素点数据逐行减去环境光光谱特征;
对肿瘤高光谱图像各像素点数据进行归一化处理,获取一维数据;
对归一化后的一维数据进行数据扩展,生成单通道灰度图像,获取二维数据。
进一步的技术方案,将获取的肿瘤高光谱荧光图像数据和肿瘤高光谱反射光图像的一维数据、二维数据,构成肿瘤高光谱图像数据集。
进一步的技术方案,所述通过赋权分类输出最终的分类结果,具体为:
对多个模型输出的可能性矩阵进行赋权分类,将模型输出的可能性矩阵乘该模型的准确率,将多个模型的乘积加和,获取最终的可能性矩阵,基于最终的可能性矩阵,以最大值对应的肿瘤类型作为最终分类结果。
进一步的技术方案,以多个模型共同分类错误的像素点数的多少为判定标准,判断是否采用多个模型结合赋权分类的方式进行肿瘤分类模型的构建。
第二方面,本公开提供了一种基于肿瘤高光谱图像的肿瘤分类系统,包括:
高光谱图像获取模块,用于获取肿瘤组织的高光谱图像和环境光高光谱图像;
数据提取模块,用于提取环境光光谱特征和肿瘤高光谱图像数据;
数据预处理模块,用于基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
肿瘤分类模型构建及训练模块,用于以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
肿瘤分类模块,用于将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
进一步的技术方案,所述通过赋权分类输出最终的分类结果,具体为:
对多个模型输出的可能性矩阵进行赋权分类,将模型输出的可能性矩阵乘该模型的准确率,将多个模型的乘积加和,获取最终的可能性矩阵,基于最终的可能性矩阵,以最大值对应的肿瘤类型作为最终分类结果。
第三方面,本公开还提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果:
1、本发明提供了一种基于肿瘤高光谱图像的肿瘤分类方法及系统,根据肿瘤组织的高光谱图像数据,利用构建的综合不同分类算法的肿瘤分类模型,进行肿瘤分类,实现分类效率和准确性的提高,减少分类所需时间和相关资源的消耗。
2、本发明无需进行复杂的肿瘤组织标本的制作,直接采用高光谱相机拍摄所需鉴定区域的高光谱图像并对圈定的鉴定区域进行数据处理,通过肿瘤分类模型实现对该肿瘤区域肿瘤类别的鉴定,所有操作只需一台设备即可完成,整个流程耗时在几分钟以内,大大节省了时间成本。
3、本发明仅需要人为操作获取肿瘤高光谱图像以及圈定所需鉴别分类的区域,无需更多的人为操作,分类结果客观准确,大大节省人力物力成本,降低了操作门槛。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例一所述方法的整体流程图;
图2为本发明实施例一所述预处理的流程图;
图3为本发明实施例一所述肿瘤分类模型的结构示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于肿瘤高光谱图像的肿瘤分类方法,如图1所示,包括以下步骤:
步骤S1、获取肿瘤组织的高光谱图像和环境光高光谱图像;
步骤S2、提取环境光光谱特征和肿瘤高光谱图像数据;
步骤S3、基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
步骤S4、以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
步骤S5、将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
在本实施例中,步骤S1,通过高光谱相机拍摄肿瘤新鲜组织的肿瘤分类区域,获取肿瘤组织区域的高光谱图像,该高光谱图像包括高光谱荧光图像和高光谱反射光图像。荧光和反射是高光谱的两种成像方式,荧光高光谱是通过激发光照射待测样本,样本吸收光的能量后停止照射,样本释放所吸收的能量,该能量主要以自体荧光的方式释放,通过采集自体荧光光谱图像即可获取高光谱荧光图像;反射高光谱是通过激发光照射样本,通过高光谱相机采集样本反射光谱信息,获取高光谱反射光图像。
同时,拍摄平面放置一3cm×3cm的无荧光特性的白色漫反射参照物,通过高光谱相机进行拍摄,获取同一环境下的环境光高光谱图像。
步骤S2,对上述步骤获取的肿瘤高光谱图像和环境光高光谱图像进行数据处理。
针对环境光高光谱图像,通过区域隔点像素点采样取平均,提取环境光光谱特征,具体为:通过隔点采样提取环境光高光谱图像中多个像素点的一维光谱数据,将数据存储至csv文件中,每行对应一个像素点,每列对应一个波长,按列求和取平均,将获取的一行数据作为环境光光谱特征。
上述区域隔点像素点采样是指,基于与肿瘤组织区域高光谱图像相同放大倍率和视野下获取的反射白板高光谱图像,根据此图像的尺寸大小选择采样间隔大小,采样方式为选取所有行,进行间隔列采样,在本实施例中,共采集10000左右个像素点。通过上述各店采样的方法,能够在保证最终分类识别效果的基础上,减少采样点数,优化处理时间,若不隔点采样则有可能会获取接近百万个像素点,需要耗费较长的时间进行数据处理,降低效率。
针对肿瘤高光谱图像,划分出待分类肿瘤区域,采用相同的方法提取肿瘤高光谱图像中待分类肿瘤区域多个像素点的一维光谱数据,即肿瘤高光谱图像数据,将数据存储至csv文件中,统计所有像素点总数。
作为另一种实施方式,在训练分类模型前建立的训练数据集,该训练数据集为从圈定的各类肿瘤高光谱图像的肿瘤区域中提取的光谱数据,其中,圈定肿瘤区域需要在参照图像上进行,因此,参照图像的区域差异是否明显直接影响边界的划定进而影响数据集质量与模型准确率。为此,本实施例选择参照图像时,采用RGB三通道融合图像,R通道波长选择范围为[630nm,650nm],G通道波长选择范围为[530nm,550nm],B通道波长选择范围为[450nm,470nm],首先在三个范围内随机生成一幅三通道融合图像,精确圈定肿瘤区域边界,再分别根据此边界对范围内所有单波长灰度图像进行对边界像素点灰度值求和取平均,之后对边界外围取1-2层像素点灰度值求和取平均,两者差异最大的波段为敏感波段,在RGB三个范围内各选出最敏感的波段作为最佳参照图像。针对该最佳参照图像,提取待分类肿瘤区域各像素点的一维光谱数据,获取肿瘤高光谱图像数据。
步骤S3,如图2所示,基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,实现数据压缩与降噪,获取肿瘤高光谱图像数据集。
首先,将获取的肿瘤高光谱图像数据逐行减去环境光光谱特征,即将肿瘤高光谱图像中待分类肿瘤区域各像素点的一维光谱数据减去环境光平均光谱特征。
之后,对各行数据即各像素点数据进行归一化处理,将光谱数据值域压缩为[-1,1],获取归一化后的一维数据,具体包括:获取本行当前数据与本行最小值的差值b,以及本行最大值和最小值的差值a,以两个差值的比值b/a作为当前数据归一化后的结果。通过上述归一化方案,对肿瘤高光谱图像数据进行数据处理,获取每个像素点归一化后的一维数据,即每个像素点在不同波长下的一维数据。通过这一步骤能够屏蔽环境光的干扰并且抑制数据内的白噪声干扰,压缩光谱特性值域,但完整的保留光谱特性,防止在模型训练时产生梯度过大的问题。
最后,对归一化后的一维数据进行数据扩展,生成单通道灰度图像,具体包括:对归一化后的一维数据进行复制,复制32行后,每一像素点数据乘255并保存为灰度图像。通过上述方案获取所有像素点的灰度图像,以此作为二维数据。需要指出的是,此处复制32行是考虑到32是部分深层深度学习模型输入的最小尺寸要求,此处也可将归一化后的一维数据复制大于32行,得到的二维数据可以输入至更复杂的深度学习模型中,以便获取更复杂的特征。
将获取的肿瘤高光谱荧光图像数据和肿瘤高光谱反射光图像的一维数据、二维数据,构成肿瘤高光谱图像数据集。
步骤S4,以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型。所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果。
在本实施例中,如图3所示,上述良恶性分类模型包含N个分类模型(神经网络),每个分类模型所采用的分类算法与输入数据类型一一对应,该输入数据类型包括肿瘤高光谱荧光图像数据、肿瘤高光谱反射光图像的一维数据或二维数据,该分类算法包括NBC(NaiveBayesian Classifier,朴素贝叶斯分类)算法、LR(Logistic Regress,逻辑回归)算法、SVM(Support Vector Machine,支持向量机)算法、KNN(K-Nearest Neighbor,K最近邻近)算法、ANN(Artificial Neural Network,人工神经网络)算法等。
每个分类模型最底层为Softmax分类器,输出的肿瘤类型的可能性矩阵。对多个分类模型输出的可能性矩阵进行赋权分类,即将分类模型输出的可能性矩阵乘该分类模型的准确率,再加和获取最终的可能性矩阵,基于该最终的可能性矩阵,以最大值对应的肿瘤类型作为良恶性鉴定结果。通过上述良恶性分类模型实现对肿瘤良性或恶性分类,采用多种不同的分类算法进行训练学习,并根据分类算法的准确率进行赋权分类,以此保证最终肿瘤分类准确性的提高。
基于上述良恶性分类模型的分类结果,将判断为良性的肿瘤数据输入至良性分类模型中,将判断为恶性的肿瘤数据输入至恶性分类模型中,对肿瘤类型进行更细粒度的分类。
良性分类模型和恶性分类模型的结构与上述良恶性分类模型相同,同样包括N个采用不同分类算法的模型,对多个模型输出的可能性矩阵进行赋权分类,最终将得到的可能性矩阵内所有值压缩至[0,100]的范围内输出,输出各值对应类别标签作为最终输出,以最大值对应的肿瘤类型作为肿瘤分类结果,提高分类的准确性。
进一步的,上述肿瘤分类模型这一整体模型的搭建最重要的一步为选取对应类别最佳的分类模型,因此,在搭建整体模型前应当逐个测试每个模型对于每种类别的准确率,选取准确率最高的前N个模型组成该层分类(即良恶性分类模型或良性分类模型或恶性分类模型)的整体结构,N的选取根据模型准确率以及所搭建的模型的个数确定,若模型准确率都极高并且赋权分类无法明显提升准确率则可以只取一个最优分类模型。
在本实施例中,选取模型时,通过两两对比所选取的各模型分类错误的像素点是否相同,若分类错误相同的像素点数过多,则赋权分类机制没有意义,因此只保留相似模型中准确率最高的一个模型。也就是说,以多个分类模型共同分类错误的像素点数的多少为判定标准,判断是否采用多个分类模型结合赋权分类的方式进行整体分类模型的构建及肿瘤分类。当两个模型共同分类错误的像素点数占两模型分类错误像素点总数的0.85以上,则认为赋权分类对准确率提升效果不明显,此时可不采用赋权分类的方案。此外,也可通过测试赋权分类是否会提升整体或部分准确率来判断是否采用赋权分类的方案。
最后,步骤S5,将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
本实施例直接采用高光谱相机拍摄所需鉴定区域的高光谱图像,并对圈定的鉴定区域进行数据处理,通过肿瘤分类模型实现对该肿瘤区域肿瘤类别的鉴定,提高肿瘤分类的效率和准确性。
实施例二
本实施例提供了一种基于肿瘤高光谱图像的肿瘤分类系统,包括:
高光谱图像获取模块,用于获取肿瘤组织的高光谱图像和环境光高光谱图像;
数据提取模块,用于提取环境光光谱特征和肿瘤高光谱图像数据;
数据预处理模块,用于基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
肿瘤分类模型构建及训练模块,用于以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
肿瘤分类模块,用于将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
实施例三
本实施例提供了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如上所述的基于肿瘤高光谱图像的肿瘤分类方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成如上所述的基于肿瘤高光谱图像的肿瘤分类方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于肿瘤高光谱图像的肿瘤分类方法,其特征是,包括:
获取肿瘤组织的高光谱图像和环境光高光谱图像,提取环境光光谱特征和肿瘤高光谱图像数据;
基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
2.如权利要求1所述的基于肿瘤高光谱图像的肿瘤分类方法,其特征是,基于环境光高光谱图像,通过区域隔点像素点采样取平均,提取环境光光谱特征,具体为:
通过隔点采样提取环境光高光谱图像中多个像素点的一维光谱数据,以每行对应一个像素点,每列对应一个波长,按列求和取平均,获取一行数据,将该行数据作为环境光光谱特征。
3.如权利要求1所述的基于肿瘤高光谱图像的肿瘤分类方法,其特征是,所述预处理包括:
将获取的肿瘤高光谱图像各像素点数据逐行减去环境光光谱特征;
对肿瘤高光谱图像各像素点数据进行归一化处理,获取一维数据;
对归一化后的一维数据进行数据扩展,生成单通道灰度图像,获取二维数据。
4.如权利要求1所述的基于肿瘤高光谱图像的肿瘤分类方法,其特征是,将获取的肿瘤高光谱荧光图像数据和肿瘤高光谱反射光图像的一维数据、二维数据,构成肿瘤高光谱图像数据集。
5.如权利要求1所述的基于肿瘤高光谱图像的肿瘤分类方法,其特征是,所述通过赋权分类输出最终的分类结果,具体为:
对多个模型输出的可能性矩阵进行赋权分类,将模型输出的可能性矩阵乘该模型的准确率,将多个模型的乘积加和,获取最终的可能性矩阵,基于最终的可能性矩阵,以最大值对应的肿瘤类型作为最终分类结果。
6.如权利要求1所述的基于肿瘤高光谱图像的肿瘤分类方法,其特征是,以多个模型共同分类错误的像素点数的多少为判定标准,判断是否采用多个模型结合赋权分类的方式进行肿瘤分类模型的构建。
7.一种基于肿瘤高光谱图像的肿瘤分类系统,其特征是,包括:
高光谱图像获取模块,用于获取肿瘤组织的高光谱图像和环境光高光谱图像;
数据提取模块,用于提取环境光光谱特征和肿瘤高光谱图像数据;
数据预处理模块,用于基于环境光光谱特征,对肿瘤高光谱图像数据进行数据预处理,获取肿瘤高光谱图像数据集;
肿瘤分类模型构建及训练模块,用于以标注肿瘤类型的肿瘤高光谱图像数据集为训练集,训练肿瘤分类模型;所述肿瘤分类模型包括良恶性分类模型、良性分类模型和恶性分类模型,每种分类模型均包含多个采用不同分类算法的模型,通过赋权分类输出最终的分类结果;
肿瘤分类模块,用于将待分类肿瘤高光谱图像输入训练完成的肿瘤分类模型,输出肿瘤分类结果。
8.如权利要求7所述的基于肿瘤高光谱图像的肿瘤分类系统,其特征是,所述通过赋权分类输出最终的分类结果,具体为:
对多个模型输出的可能性矩阵进行赋权分类,将模型输出的可能性矩阵乘该模型的准确率,将多个模型的乘积加和,获取最终的可能性矩阵,基于最终的可能性矩阵,以最大值对应的肿瘤类型作为最终分类结果。
9.一种电子设备,其特征是:包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成如权利要求1-6中任一项所述的一种基于肿瘤高光谱图像的肿瘤分类方法的步骤。
10.一种计算机可读存储介质,其特征是:用于存储计算机指令,所述计算机指令被处理器执行时,完成如权利要求1-6中任一项所述的一种基于肿瘤高光谱图像的肿瘤分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500673.4A CN116167964A (zh) | 2022-11-28 | 2022-11-28 | 基于肿瘤高光谱图像的肿瘤分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211500673.4A CN116167964A (zh) | 2022-11-28 | 2022-11-28 | 基于肿瘤高光谱图像的肿瘤分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167964A true CN116167964A (zh) | 2023-05-26 |
Family
ID=86418985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211500673.4A Pending CN116167964A (zh) | 2022-11-28 | 2022-11-28 | 基于肿瘤高光谱图像的肿瘤分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167964A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197137A (zh) * | 2023-11-07 | 2023-12-08 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
CN117953970A (zh) * | 2024-03-27 | 2024-04-30 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及系统 |
CN117953970B (zh) * | 2024-03-27 | 2024-06-11 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及系统 |
-
2022
- 2022-11-28 CN CN202211500673.4A patent/CN116167964A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197137A (zh) * | 2023-11-07 | 2023-12-08 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
CN117197137B (zh) * | 2023-11-07 | 2024-02-09 | 山东大学 | 基于高光谱图像的组织样本分析方法及系统 |
CN117953970A (zh) * | 2024-03-27 | 2024-04-30 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及系统 |
CN117953970B (zh) * | 2024-03-27 | 2024-06-11 | 山东大学 | 一种基于高光谱图像的肺癌多基因检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765408B (zh) | 构建癌症病理图像虚拟病例库的方法以及基于卷积神经网络的多尺度癌症检测系统 | |
US10839510B2 (en) | Methods and systems for human tissue analysis using shearlet transforms | |
US10621412B2 (en) | Dot detection, color classification of dots and counting of color classified dots | |
CN111448569B (zh) | 存储和检索数字病理学分析结果的方法 | |
US8379961B2 (en) | Mitotic figure detector and counter system and method for detecting and counting mitotic figures | |
EP2681715B1 (en) | Method and software for analysing microbial growth | |
Veta et al. | Detecting mitotic figures in breast cancer histopathology images | |
CA2920492C (en) | Systems and methods for adaptive histopathology image unmixing | |
US11593656B2 (en) | Using a first stain to train a model to predict the region stained by a second stain | |
Alghodhaifi et al. | Predicting invasive ductal carcinoma in breast histology images using convolutional neural network | |
He et al. | Combining deep learning with traditional features for classification and segmentation of pathological images of breast cancer | |
CN105320970A (zh) | 一种马铃薯病害诊断装置、诊断系统及诊断方法 | |
CN112990214A (zh) | 一种医学图像特征识别预测模型 | |
Rashmi et al. | A comparative evaluation of texture features for semantic segmentation of breast histopathological images | |
CN117015796A (zh) | 处理组织图像的方法和用于处理组织图像的系统 | |
CN116167964A (zh) | 基于肿瘤高光谱图像的肿瘤分类方法及系统 | |
Fahad et al. | Skinnet-8: An efficient cnn architecture for classifying skin cancer on an imbalanced dataset | |
US20210209755A1 (en) | Automatic lesion border selection based on morphology and color features | |
CN111680553A (zh) | 一种基于深度可分离卷积的病理图像识别方法及系统 | |
Bai et al. | A convolutional neural network combined with color deconvolution for mitosis detection | |
KR20230063147A (ko) | 다단계 특징 분석을 사용한 전립선 조직의 효율적인 경량 cnn과 앙상블 머신 러닝 분류 방법 및 시스템 | |
Naik et al. | Hybrid Feature Set based Mitotic Detection in Breast Histopathology Images | |
CN117197137B (zh) | 基于高光谱图像的组织样本分析方法及系统 | |
CN112703531A (zh) | 生成组织图像的注释数据 | |
Polejowska et al. | Impact of visual image quality on lymphocyte detection using yolov5 and retinanet algorithms |
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 |