CN116840214A - 一种诊断脑肿瘤和脑梗死的方法 - Google Patents

一种诊断脑肿瘤和脑梗死的方法 Download PDF

Info

Publication number
CN116840214A
CN116840214A CN202310793702.9A CN202310793702A CN116840214A CN 116840214 A CN116840214 A CN 116840214A CN 202310793702 A CN202310793702 A CN 202310793702A CN 116840214 A CN116840214 A CN 116840214A
Authority
CN
China
Prior art keywords
raman spectrum
fitting
raman
cerebral infarction
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
Application number
CN202310793702.9A
Other languages
English (en)
Inventor
常珊
王志超
殷建
尹焕才
施璜浩
周利涛
许志旺
庞明威
邵赟
张颖
何王秋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202310793702.9A priority Critical patent/CN116840214A/zh
Publication of CN116840214A publication Critical patent/CN116840214A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/62—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
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Public Health (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Analytical Chemistry (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种诊断脑肿瘤和脑梗死的方法，包括通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；搭建卷积神经网络分类模型，对预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；将待诊断样本的拉曼光谱数据输入所搭建的卷积神经网络模型中，输出待测目标的类别。本发明为医生对脑肿瘤和脑梗死的诊断提供了判断依据，进一步保障了患者的生命健康。

Description

一种诊断脑肿瘤和脑梗死的方法
技术领域
本发明涉及一种诊断脑肿瘤和脑梗死的方法。
背景技术
在医疗领域，依靠人眼和专业知识来判断脑肿瘤与脑梗死，易存在主观判断和误判的问题，并且需要大量的经验积累。同时，组织取样进行病理检查虽然具有准确度高、可靠性强的优点，但却存在有创伤性、操作复杂、耗费时间长等缺点，因此不适用于临床常规检测。随着医疗技术的不断进步，新的成像技术不断涌现，如磁共振成像、CT等成像技术，但它们仍然存在局限性，如成像分辨率、空间灵敏度等方面仍有待改善。因此，需要一种更加准确、快速、无侵入性的方法来诊断脑肿瘤与脑梗死。
拉曼光谱是一种散射光谱，对与入射光频率不同的散射光谱分析，可以获得分子的振动信息。拉曼光谱分析技术作为一种非接触式的快速、准确、无损的分析技术，可以直接检测到细胞内分子结构和组成的变化，实现对癌变细胞的快速检测，在肿瘤诊断方面引起广泛关注。
在过去的十年时间内，深度学习算法发展迅猛，在目标特征提取方面表现出色，在分类识别领域被广泛应用。目前使用拉曼光谱技术识别肿瘤的方法已经被提出一部分，但是大多数分析方法都是针对于胃癌，乳腺癌等大众性的肿瘤。然而还没有利用拉曼光谱技术区分脑肿瘤和脑梗死的研究。鉴于此，本次提出了一种诊断脑肿瘤和脑梗死的方法。
发明内容
本发明是为了解决上述现有技术存在的问题而提供一种诊断脑肿瘤和脑梗死的方法。
本发明所采用的技术方案有：
一种诊断脑肿瘤和脑梗死的方法，包括
1)通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；
2)使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；
3)搭建卷积神经网络分类模型，对步骤2)预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；
4)将待诊断样本的拉曼光谱数据输入步骤3)所搭建的卷积神经网络模型中，输出待测目标的类别。
进一步地，步骤1)中，准备脑肿瘤样本和脑梗死样本各50例，使用拉曼光谱仪采集每例样本的拉曼光谱数据。
进一步地，步骤1)中，使用拉曼光谱仪采集样本1-1092cm-1范围内的拉曼光谱。
进一步地，步骤2)中，对获取的拉曼光谱数据进行预处理具体包括：
(1)基线校正
采用多项式拟合的方法分进行基线校正，该方法分三步，首先进行峰值消除，之后多项式拟合逼近基线，得到基线，最后减去基线，得到基线校正后的拉曼光谱数据；
拟合残差计算公式：
R(x)＝O(x)-P(x)
将采集到的脑肿瘤拉曼光谱和脑梗死拉曼光谱作为原始光谱O(x)，将二者分别与其多项式拟合得到拟合光谱P(x)，进行计算得到R(x)，之后通过R(x)计算出拟合残差DEV；
峰值消除，如果原始光谱的值大于拟合光谱的值，则剔除，原始光谱的值小于拟合光谱的值，则保留，最后得到峰值消除后的光谱；
多项式拟合逼近基线，对峰值消除后的光谱进行多项式拟合使其逼近基线，继续计算其拟合残差DEVi，如果abs(DEVi-DEV)/DEVi<0.05，则残差满足条件，输出拟合值，即为基线；
减去基线，用脑肿瘤和脑梗死的原始光谱分别减去其对应的基线，即可得到对应的基线校正后的光谱；
(2)平滑处理
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
其中E表示残差和，m表示需要拟合的两种拉曼光谱对应的波数，n表示多项式的阶次，x[i]为待拟合的数据，即两种基线校正后的拉曼光谱对应波数峰值；
若要E最小，E对各个参数的偏导应为0：
即：
当需要拟合的拉曼光谱波数m，多项式的阶次n，待拟合的拉曼光谱波数峰值x[i]已知后，即可求出多项式；
拟合的多项式用来求取目标窗口内的中心点估计值：
输入与Savitzky-Golay滤波器的单位冲激响应进行卷积得到输出：
根据系数使用离散卷积即可快速得到目标窗口的中心点平滑值，Savitzky-Golay平滑公式为：
其中，为平滑系数，由最小二乘法拟合多项式求得；
(3)归一化
采用Batch Normalization归一化方法对拉曼光谱数据进行归一化处理：
其中x为样本的拉曼光谱数据，y为归一化后的拉曼光谱数据，μ为样本的拉曼光谱数据的均值，σ为样本的拉曼光谱数据的方差，γ是尺度因子，β是平移因子。
进一步地，步骤3)中，搭建对的卷积神经网络分类模型包括一个输入层、3个卷积层，3个池化层，一个Flatten层，一个全连接层和一个输出层。
进一步地，步骤4)中，将将待诊断样本的拉曼光谱数据从输入层输入到卷积神经网络分类模型中，通过卷积层对拉曼光谱数据进行特征提取，卷积层提取的不同特征会作为下一层网络的输入；
经计算比较，3个卷积层的卷积核尺寸参数都设定为3×1，卷积运算公式如下：
式中，*表示卷积运算，yi为第i个输出的拉曼光谱特征图，xj为第j个输入的拉曼光谱特征图，kij为卷积核，bj为偏置；
在卷积运算中，使用Relu作为激活函数，来解决梯度消失问题，加快梯度下降的收敛速度，运算公式如下：
卷积结束之后，会将得到的拉曼光谱特征数据传给对应的池化层，池化层会减少每个特征图的维度以及数据量，提升运行速度；
所述池化层池化方式为Maxpooling，其运算公式如下：
f(Xk)＝max{a1,…,as}
其中，将卷积后的拉曼光谱特征图映射为多个Xk，k＝1,2,3,...,k,区域大小为s；
卷积池化后的特征图经过Flatten层压缩合并为一维数据，传输到全连接层，最后使用Softmax函数得到脑肿瘤和脑梗死的分类结果，输出层输出分类结果。
本发明具有如下有益效果：
本发明将拉曼光谱技术和深度学习技术结合在一起，利用拉曼光谱技术可以无损、快速的检测细胞分子结构的优势，再结合深度学习可以快速特征提取分析数据的优势，共同构建了一种诊断脑肿瘤和脑梗死的方法，通过该方法，可以为医护人员对于脑肿瘤和脑梗死的诊断提供判断依据，进一步保障了患者的生命健康。
附图说明
图1为本发明实现诊断分类的整体流程架构。
图2为本发明中脑肿瘤组织和脑梗死组织的拉曼光谱数据。
图3为卷积神经网络分类模型结构图。
图4为本发明的整体预测流程。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1至图4，本发明一种诊断脑肿瘤和脑梗死的方法，包括
步骤1)通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；
准备脑肿瘤组织样本和脑梗死组织样本各50例，在封闭环境下，使用拉曼光谱仪采集样本的拉曼光谱，每个光谱采集20s，图2为脑肿瘤样本组织和脑梗死样本组织的拉曼光谱，使用拉曼光谱仪采集样本1-1092cm-1范围内的拉曼光谱。
步骤2)对采集的拉曼光谱数据预处理；
(1)基线校正
采用多项式拟合的方法分进行基线校正，该方法分三步，首先进行峰值消除，之后多项式拟合逼近基线，得到基线，最后减去基线，得到基线校正后的拉曼光谱数据；
拟合残差计算公式：
R(x)＝O(x)-P(x)
将采集到的脑肿瘤拉曼光谱和脑梗死拉曼光谱作为原始光谱O(x)，将二者分别与其多项式拟合得到拟合光谱P(x)，进行计算得到R(x)，之后通过R(x)计算出拟合残差DEV；
峰值消除，如果原始光谱的值大于拟合光谱的值，则剔除，原始光谱的值小于拟合光谱的值，则保留，最后得到峰值消除后的光谱；
多项式拟合逼近基线，对峰值消除后的光谱进行多项式拟合使其逼近基线，继续计算其拟合残差DEVi，如果abs(DEVi-DEV)/DEVi<0.05，则残差满足条件，输出拟合值，即为基线；
减去基线，用脑肿瘤和脑梗死的原始光谱分别减去其对应的基线，即可得到对应的基线校正后的光谱；
(2)平滑处理
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
其中E表示残差和，m表示需要拟合的两种拉曼光谱对应的波数，n表示多项式的阶次，x[i]为待拟合的数据，即两种基线校正后的拉曼光谱对应波数峰值；
若要E最小，E对各个参数的偏导应为0：
即：
当需要拟合的拉曼光谱波数m，多项式的阶次n，待拟合的拉曼光谱波数峰值x[i]已知后，即可求出多项式；
拟合的多项式用来求取目标窗口内的中心点估计值：
输入与Savitzky-Golay滤波器的单位冲激响应进行卷积得到输出：
根据系数使用离散卷积即可快速得到目标窗口的中心点平滑值，Savitzky-Golay平滑公式为：
其中，为平滑系数，由最小二乘法拟合多项式求得；
(3)归一化
采用Batch Normalization归一化方法对拉曼光谱数据进行归一化处理：
其中x为样本的拉曼光谱数据，y为归一化后的拉曼光谱数据，μ为样本的拉曼光谱数据的均值，σ为样本的拉曼光谱数据的方差，γ是尺度因子，β是平移因子。
步骤3)搭建卷积神经网络分类模型，对预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；
搭建对的卷积神经网络分类模型包括一个输入层、3个卷积层，3个池化层，一个Flatten层，一个全连接层和一个输出层，图3为卷积神经网络分类模型结构。
步骤4)目标预测
将波数范围在1-1092cm-1的拉曼光谱数据从输入层输入到卷积神经网络分类模型中，通过卷积层对拉曼光谱数据进行特征提取，卷积层提取的不同特征会作为下一层网络的输入；
经计算比较，3个卷积层的卷积核尺寸参数都设定为3×1，卷积运算公式如下：
式中，*表示卷积运算，yi为第i个输出的拉曼光谱特征图，xj为第j个输入的拉曼光谱特征图，kij为卷积核，bj为偏置；
在卷积运算中，使用Relu作为激活函数，来解决梯度消失问题，加快梯度下降的收敛速度，运算公式如下：
卷积结束之后，会将得到的拉曼光谱特征数据传给对应的池化层，池化层会减少每个特征图的维度以及数据量，提升运行速度；
所述池化层池化方式为Maxpooling，其运算公式如下：
f(Xk)＝max{a1,…,as}
其中，将卷积后的拉曼光谱特征图映射为多个Xk，k＝1,2,3,...,k,区域大小为s；
卷积池化后的特征图经过Flatten层压缩合并为一维数据，传输到全连接层，最后使用Softmax函数得到脑肿瘤和脑梗死的分类结果，输出层输出分类结果，目标预测流程如图4。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (6)

1.一种诊断脑肿瘤和脑梗死的方法，其特征在于：包括
1)通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；
2)使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；
3)搭建卷积神经网络分类模型，对步骤2)预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；
4)将待诊断样本的拉曼光谱数据输入步骤3)所搭建的卷积神经网络模型中，输出待测目标的类别。
2.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤1)中，准备脑肿瘤样本和脑梗死样本各50例，使用拉曼光谱仪采集每例样本的拉曼光谱数据。
3.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤1)中，使用拉曼光谱仪采集样本1-1092cm-1范围内的拉曼光谱。
4.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤2)中，对获取的拉曼光谱数据进行预处理具体包括：
(1)基线校正
采用多项式拟合的方法分进行基线校正，该方法分三步，首先进行峰值消除，之后多项式拟合逼近基线，得到基线，最后减去基线，得到基线校正后的拉曼光谱数据；
拟合残差计算公式：
R(x)＝O(x)-P(x)
将采集到的脑肿瘤拉曼光谱和脑梗死拉曼光谱作为原始光谱O(x)，将二者分别与其多项式拟合得到拟合光谱P(x)，进行计算得到R(x)，之后通过R(x)计算出拟合残差DEV；
峰值消除，如果原始光谱的值大于拟合光谱的值，则剔除，原始光谱的值小于拟合光谱的值，则保留，最后得到峰值消除后的光谱；
多项式拟合逼近基线，对峰值消除后的光谱进行多项式拟合使其逼近基线，继续计算其拟合残差DEVi，如果abs(DEVi-DEV)/DEVi<0.05，则残差满足条件，输出拟合值，即为基线；
减去基线，用脑肿瘤和脑梗死的原始光谱分别减去其对应的基线，即可得到对应的基线校正后的光谱；
(2)平滑处理
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
使用Savitzky-Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
最小二乘拟合的残差为：
其中E表示残差和，m表示需要拟合的两种拉曼光谱对应的波数，n表示多项式的阶次，x[i]为待拟合的数据，即两种基线校正后的拉曼光谱对应波数峰值；
若要E最小，E对各个参数的偏导应为0：
即：
当需要拟合的拉曼光谱波数m，多项式的阶次n，待拟合的拉曼光谱波数峰值x[i]已知后，即可求出多项式；
拟合的多项式用来求取目标窗口内的中心点估计值：
输入与Savitzky-Golay滤波器的单位冲激响应进行卷积得到输出：
根据系数使用离散卷积即可快速得到目标窗口的中心点平滑值，Savitzky-Golay平滑公式为：
其中，为平滑系数，由最小二乘法拟合多项式求得；
(3)归一化
采用Batch Normalization归一化方法对拉曼光谱数据进行归一化处理：
其中x为样本的拉曼光谱数据，y为归一化后的拉曼光谱数据，μ为样本的拉曼光谱数据的均值，σ为样本的拉曼光谱数据的方差，γ是尺度因子，β是平移因子。
5.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤3)中，搭建对的卷积神经网络分类模型包括一个输入层、3个卷积层，3个池化层，一个Flatten层，一个全连接层和一个输出层。
6.如权利要求5所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤4)中，将将待诊断样本的拉曼光谱数据从输入层输入到卷积神经网络分类模型中，通过卷积层对拉曼光谱数据进行特征提取，卷积层提取的不同特征会作为下一层网络的输入；
经计算比较，3个卷积层的卷积核尺寸参数都设定为3×1，卷积运算公式如下：
式中，*表示卷积运算，yi为第i个输出的拉曼光谱特征图，xj为第j个输入的拉曼光谱特征图，kij为卷积核，bj为偏置；
在卷积运算中，使用Relu作为激活函数，来解决梯度消失问题，加快梯度下降的收敛速度，运算公式如下：
卷积结束之后，会将得到的拉曼光谱特征数据传给对应的池化层，池化层会减少每个特征图的维度以及数据量，提升运行速度；
所述池化层池化方式为Maxpooling，其运算公式如下：
f(Xk)＝max{a1,…,as}
其中，将卷积后的拉曼光谱特征图映射为多个Xk，k＝1,2,3,...,k,区域大小为s；
卷积池化后的特征图经过Flatten层压缩合并为一维数据，传输到全连接层，最后使用Softmax函数得到脑肿瘤和脑梗死的分类结果，输出层输出分类结果。
CN202310793702.9A 2023-06-30 2023-06-30 一种诊断脑肿瘤和脑梗死的方法 Pending CN116840214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310793702.9A CN116840214A (zh) 2023-06-30 2023-06-30 一种诊断脑肿瘤和脑梗死的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310793702.9A CN116840214A (zh) 2023-06-30 2023-06-30 一种诊断脑肿瘤和脑梗死的方法

Publications (1)

Publication Number Publication Date
CN116840214A true CN116840214A (zh) 2023-10-03

Family

ID=88168355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310793702.9A Pending CN116840214A (zh) 2023-06-30 2023-06-30 一种诊断脑肿瘤和脑梗死的方法

Country Status (1)

Country Link
CN (1) CN116840214A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150387A (zh) * 2023-11-01 2023-12-01 奥谱天成（厦门）光电有限公司 拉曼光谱峰拟合方法、介质、设备及装置
CN118013205A (zh) * 2024-04-08 2024-05-10 广东电网有限责任公司佛山供电局 Libs光谱基线的光谱校正方法、装置和激光分析系统
CN118155007A (zh) * 2024-05-13 2024-06-07 南京诺源医疗器械有限公司 基于拉曼光谱的癌症组织的识别方法及系统
CN118211058A (zh) * 2024-05-16 2024-06-18 南京诺源医疗器械有限公司 基于拉曼光谱信号特征峰提取的数据处理方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117150387A (zh) * 2023-11-01 2023-12-01 奥谱天成（厦门）光电有限公司 拉曼光谱峰拟合方法、介质、设备及装置
CN118013205A (zh) * 2024-04-08 2024-05-10 广东电网有限责任公司佛山供电局 Libs光谱基线的光谱校正方法、装置和激光分析系统
CN118155007A (zh) * 2024-05-13 2024-06-07 南京诺源医疗器械有限公司 基于拉曼光谱的癌症组织的识别方法及系统
CN118211058A (zh) * 2024-05-16 2024-06-18 南京诺源医疗器械有限公司 基于拉曼光谱信号特征峰提取的数据处理方法

Similar Documents

Publication Publication Date Title
CN116840214A (zh) 一种诊断脑肿瘤和脑梗死的方法
US6405065B1 (en) Non-invasive in vivo tissue classification using near-infrared measurements
CN113194820B (zh) 借助外泌体的基于人工智能的利用液体活检的癌诊断信息提供方法及系统
AU2017217944B2 (en) Systems and methods for evaluating pigmented tissue lesions
CN110946552B (zh) 一种结合光谱和图像的宫颈癌前病变筛查方法
CN114565613B (zh) 基于有监督深度子空间学习的胰腺术后糖尿病预测系统
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
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
CN113670894B (zh) 拉曼光谱定量监测物质含量的方法
Liu et al. Detection of heterogeneity on multi-spectral transmission image based on multiple types of pseudo-color maps
US20030087456A1 (en) Within-sample variance classification of samples
CN114781484A (zh) 基于卷积神经网络的癌症血清sers光谱分类方法
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
CN113702349A (zh) 一种基于拉曼光谱的涎腺肿瘤的诊断模型构建方法
CN111554383B (zh) 一种用于乳腺肿瘤检测的神经网络及其检测系统
Li Hyperspectral imaging technology used in tongue diagnosis
CN116559143A (zh) 血液中葡萄糖成分的复合型拉曼光谱数据分析方法及系统
CN116030032A (zh) 基于拉曼光谱数据的乳腺癌分析设备、系统及存储介质
CN111657873B (zh) 一种基于可见光和近红外光谱技术的体质预测方法
CN113822873A (zh) 一种用于肺结节分类的双模态影像组学图像分析方法
CN117789972B (zh) 一种乳腺癌复发预测模型的构建方法及其预测系统
CN112945892A (zh) 基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法
CN115393328A (zh) 一种基于影像组学和神经网络的肺结节倍增时间预测方法
CN111351942B (zh) 肺癌肿瘤标志物筛选系统及肺癌风险分析系统
CN118114142A (zh) 一种样本类别检测模型构建及样本分类检测方法、装置

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