CN116842436B - 一种多光谱组合的皮肤基底细胞癌识别方法 - Google Patents

一种多光谱组合的皮肤基底细胞癌识别方法 Download PDF

Info

Publication number
CN116842436B
CN116842436B CN202310666824.1A CN202310666824A CN116842436B CN 116842436 B CN116842436 B CN 116842436B CN 202310666824 A CN202310666824 A CN 202310666824A CN 116842436 B CN116842436 B CN 116842436B
Authority
CN
China
Prior art keywords
spectrum
skin
data
tissue
multispectral
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
Application number
CN202310666824.1A
Other languages
English (en)
Other versions
CN116842436A (zh
Inventor
刘洁
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.)
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Original Assignee
Peking Union Medical College Hospital Chinese Academy of Medical Sciences
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 Peking Union Medical College Hospital Chinese Academy of Medical Sciences filed Critical Peking Union Medical College Hospital Chinese Academy of Medical Sciences
Priority to CN202310666824.1A priority Critical patent/CN116842436B/zh
Publication of CN116842436A publication Critical patent/CN116842436A/zh
Application granted granted Critical
Publication of CN116842436B publication Critical patent/CN116842436B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G01N21/64—Fluorescence; Phosphorescence
    • G01N2021/6417—Spectrofluorimetric devices
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Immunology (AREA)
  • Evolutionary Biology (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明公开了一种多光谱组合的皮肤基底细胞癌识别方法，涉及光谱分析技术领域，解决了现有技术通过病理图像难以准确识别其多样化的临床表现，影响皮肤基底细胞癌识别精度的技术问题；本发明获取漫反射光谱组和荧光光谱组对应的光谱特征；将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；本发明根据皮肤组织的光谱特征来识别皮肤基底细胞癌，较现有技术具有更高的识别精度；本发明根据癌变皮肤组织和正常皮肤组织对应光谱曲线之间的光谱差别获取漫反射特征和荧光特征，根据典型特征来识别，降低数据处理量；而且引入BCC组织深度作为分类器的输出数据，实现皮肤基底细胞癌的状态识别。

Description

一种多光谱组合的皮肤基底细胞癌识别方法
技术领域
本发明属于光谱分析领域，涉及皮肤基底细胞癌的光谱识别技术，具体是一种多光谱组合的皮肤基底细胞癌识别方法。
背景技术
基底细胞癌是常见的非黑色素细胞癌，其发病原因主要与年龄、日晒等有关。基底细胞癌临床表现多样化，很容易与色素痣、脂溢性角化症、鳞状细胞癌、黑素瘤等皮肤病变混淆，从而造成误诊，延误治疗。
目前皮肤基底细胞癌的识别方法主要是通过图像识别，使用大量带有标签的皮肤组织病变病理图像训练神经网络模型，通过迭代训练获取能够识别皮肤基底细胞癌的分类器，进而完成皮肤基底细胞癌的识别。现有技术通过图像识别皮肤基底细胞癌时，由于其临床表现的多样化，不仅需要大量的训练数据，而且还需要保证病理图像具有非常高的精度；但实际操作过程中很难满足上述条件，导致皮肤基底细胞癌的识别精度不高。
本发明提供一种多光谱组合的皮肤基底细胞癌识别方法，以解决上述问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种多光谱组合的皮肤基底细胞癌识别方法，用于解决现有技术在进行皮肤基底细胞癌识别时，通过病理图像难以准确识别其多样化的临床表现，影响皮肤基底细胞癌识别精度的技术问题。
为实现上述目的，本发明的第一方面提供了一种多光谱组合的皮肤基底细胞癌识别方法，包括：获取正常皮肤组织和已知诊断结果的皮肤基底细胞癌对应皮肤组织的多光谱数据；按照皮肤组织的血液含量对多光谱数据分类，整合分类结果与血液含量，获取若干光谱数据组；基于预设波长提取光谱数据组，获取漫反射光谱组和荧光光谱组；分别获取漫反射光谱组和荧光光谱组对应的光谱特征；将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；基于分类训练数据训练获取分类器，通过分类器识别分析待识别的皮肤组织。
皮肤基底细胞癌其临床表现多样化，从表面上很容易与其他皮肤病混淆。现有通过图像识别技术来识别皮肤基底细胞癌，很难区分皮肤基底细胞癌与其他皮肤病在图像上的区别特征，也就难以训练出满足精度要求的分类器，进而影响皮肤基底细胞癌的识别精度。
本发明则从光谱数据的角度来进行识别，通过实验可知皮肤基底细胞癌在不同血液含量时具有不同的光谱特征，而且相对于正常皮肤具有明显的关联性和区别，利用这些关联与区别训练分类器；将待识别的皮肤组织与正常皮肤组织进行比较即可获取光谱特征，通过训练的分类器可以实现皮肤基底细胞癌的识别。本发明技术方案的识别准确度显然高于现有技术。
本发明中用到的多光谱数据主要包括漫反射光谱数据和可见光荧光光谱数据。漫反射光谱数据是将正常皮肤和皮肤基底细胞癌对应皮肤直接使用蒙特卡罗程序，分别计算皮肤的漫反射系数，在480-700nm范围内间隔10nm得到23组数据，组成各自的漫反射光谱数据。可见光荧光光谱数据是在可见光波段内激发皮肤组织获取的荧光光谱数据，还包括荧光逃逸函数。漫反射光谱数据和可见光荧光光谱数据(包括荧光逃逸函数)的获取具体可参考西北大学南妙晴发表的硕士论文《皮肤基底细胞癌组织的光谱特性与理论研究》，该论文记载了漫反射光谱数据和可见光荧光光谱数据详细的获取步骤。
优选的，所述按照皮肤组织的血液含量对多光谱数据分类，包括：获取并排序多光谱数据对应皮肤组织的血液含量，验证血液含量的数值没有出现突变之后整合成血液组；按照血液组中的血液含量对多光谱数据进行分类，获取分类结果。
实验表明皮肤组织中的血液含量会对光谱吸收特性产生影响，因此在皮肤基底细胞癌的识别过程中需要考虑血液含量的影响。每个皮肤组织对应一组多光谱数据，则其对应的血液含量也是唯一的。将多光谱数据中的血液含量进行排序，判断排序后的血液含量是否发生突变；这里的突变主要是指相邻血液含量的差值是否相等，可建立血液含量的变化曲线来判断。血液含量发生突变，则说明至少有一组血液含量没有对应的多光谱数据，则需要进行对多光谱数据进行补充，才能保证分类器的适用范围。
在血液含量数值没有发生突变之后，则按照血液含量对多光谱数据进行归类。则每个血液含量均至少对应两条多光谱数据，每条多光谱数据均包括漫反射光谱数据和可见光荧光光谱数据；为了方便后续光谱特征的获取，每个血液含量对应的两条多光谱数据中的其中一条为正常皮肤的多光谱数据，另外一条为皮肤基底细胞癌对应皮肤的多光谱数据。
优选的，所述基于预设波长提取光谱数据组，包括：在标准波长中提取至少一个预设波长；基于预设波长从光谱数据组中提取对应的漫反射光谱数据和可见光荧光光谱数据，结合血液含量整合生成漫反射光谱组和荧光光谱组。
本发明标准波长范围根据可见光波长设置，具体为480-700nm。从标准波长范围中提取预设波长，则预设波长可以为480-700nm；当然也可以是480-520nm、540-580nm或者580-620nm。根据预设波长对多光谱数据进行提取，获取对应波长的漫反射光谱数据和可见光荧光光谱数据。也就是说，每个漫反射光谱组中包括血液含量、以及该血液含量对应正常皮肤和癌变皮肤的漫反射光谱数据(根据预设波长提取后的)；每个荧光光谱组包括血液含量以及对应正常皮肤和癌变皮肤的可见光荧光光谱数据。
优选的，所述获取漫反射光谱组和荧光光谱组对应的光谱特征，包括：获取漫反射光谱组中癌变皮肤组织和正常皮肤组织对应的光谱曲线，结合曲线积分方式获取两条曲线随波长变化的光谱差别，标记为漫反射特征；以及获取荧光光谱组中癌变皮肤组织和正常皮肤组织对应的荧光逃逸函数曲线，结合曲线积分方式获取两条曲线随波长变化的光谱差别，标记为荧光特征。
本发明的光谱特征主要是正常皮肤和癌变皮肤的漫反射光谱数据和可见光荧光光谱数据的差别。本发明的漫反射特征可通过至少一个预设波长内癌变皮肤与正常皮肤的漫反射光谱差值来表示，当然还可以结合漫反射特征曲线的变化趋势来表达。而对于荧光特征同样可通过至少一个预设波长内癌变皮肤与正常皮肤的可见光荧光光谱差值来表示，也可以引入癌变皮肤组织深度辅助表达。
优选的，所述将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，包括：提取光谱数据组的血液含量，以及获取的光谱特征；将血液含量和对应的光谱特征拼接整合，生成模型输入数据。
优选的，所述结合光谱数据组对应的组织标签生成分类训练数据，包括：判断光谱数据组对应的皮肤组织属性是否正常；是，则将组织标签设置为0；否，则将组织标签设置为1；将光谱数据组的模型输入数据和组织标签关联，生成分类训练数据。
将光谱数据组中的血液含量、光谱特征整合起来，生成模型输入数据；根据该光谱数据组对应皮肤组织设置组织标签，作为模型输出数据；用0或者1来区分组织标签是否正常。之后，将模型输入数据和模型输出数据整合成分裂训练数据，对分类器进行训练；分类器可以基于支持向量机模型或神经网络模型构建。
优选的，所述通过分类器识别分析待识别的皮肤组织，包括：获取待识别皮肤组织的多光谱数据，提取多光谱数据的光谱特征并与待识别皮肤组织对应的血液含量拼接整合成光谱特征序列；将光谱特征序列输入至训练好的分类器中，获取对应输出的组织标签；当组织标签为1时，判定待识别皮肤组织出现皮肤基底细胞癌；否，则为正常皮肤。
存在待识别皮肤组织时，则获取该待识别皮肤组织的血液含量和在预设时长内的光谱特征，整合成光谱特征序列之后输入至训练好的分类器中，根据输出的组织标签可以判断该待识别皮肤组织是否发生癌变。
与现有技术相比，本发明的有益效果是：
1.本发明分别获取漫反射光谱组和荧光光谱组对应的光谱特征；将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；本发明根据皮肤组织的光谱特征来识别皮肤基底细胞癌，较现有技术具有更高的识别精度。
2.本发明根据癌变皮肤组织和正常皮肤组织对应光谱曲线之间的光谱差别来分别获取漫反射特征和荧光特征，根据典型特征来识别，降低数据处理量；而且引入BCC组织深度作为分类器的输出数据，实现皮肤基底细胞癌的状态识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的方法步骤示意图；
图2为本发明的血液含量突变原理示意图；
图3为本发明的同一血液含量对应的正常皮肤与癌变皮肤的漫反射光谱强度示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明第一方面实施例提供了一种多光谱组合的皮肤基底细胞癌识别方法，包括：获取正常皮肤组织和已知诊断结果的皮肤基底细胞癌对应皮肤组织的多光谱数据；按照皮肤组织的血液含量对多光谱数据分类，整合分类结果与血液含量，获取若干光谱数据组；基于预设波长提取光谱数据组，获取漫反射光谱组和荧光光谱组；分别获取漫反射光谱组和荧光光谱组对应的光谱特征；将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；基于分类训练数据训练获取分类器，通过分类器识别分析待识别的皮肤组织。
本实施例的第一步是获取正常皮肤组织和已知诊断结果的皮肤基底细胞癌对应皮肤组织的多光谱数据；按照皮肤组织的血液含量对多光谱数据分类，整合分类结果与血液含量，获取若干光谱数据组。
假设目前存在正常的已知诊断结果的皮肤基底细胞癌对应皮肤组织的若干多光谱数据。先判断这些多光谱数据是否满足血液含量的要求，先提取各多光谱数据对应的血液含量，对血液含量进行从小到大排序。排序之后取相邻血液浓度差值，可以获取若干浓度差值，获取若干浓度差值的浓度差值曲线如图2所示。图2中第一象限内的横向实线为不存在突变，而横向实线在A点出现向上突变(斜向下的虚线部分)则判断存在突变；如排序后的血液含量为0.2、0.3、0.4、0.5，则该组血液含量不存在突变；若排序后的血液含量为0.2、0.3、0.5，则在0.3和0.5之间发生突变，理论上需要补充血液含量为0.4时对应的多光谱数据。
在排序后的血液含量满足要求时，将血液含量与对应的多光谱数据进行关联拼接，获取若干光谱数据组；也就是说光谱数据组中每个血液含量均至少对应一条多光谱数据，也可以理解为至少对应一条漫反射光谱数据和一条可见光荧光光谱数据。
本实施例的第二步是基于预设波长提取光谱数据组，获取漫反射光谱组和荧光光谱组；分别获取漫反射光谱组和荧光光谱组对应的光谱特征。
请参阅图3，图3中第一象限的横向实线为正常皮肤的漫反射光谱强度，横向虚线为皮肤基底细胞癌的漫反射光谱强度。预设波长确定为480-700，假设癌变皮肤组织对应光谱曲线的函数为F(λ)，正常皮肤组织对应光谱曲线的函数为f(λ)，则漫反射特征＝∫|F(λ)-f(λ)|，λ∈[480，700]，∫为积分符号。荧光特征的获取可参考漫反射特征的获取方式。
在另外一些优选的实施例中，可以确定多个预设波长，如[B1，B2],[B2，B3]和[B3，B4]，具体可根据光谱曲线的变化趋势来确定。通过积分方式可以获取一个漫反射光谱组的三个漫反射特征，将这三个漫反射特征整合成一个总的漫反射特征。
本实施例的第三步是将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；基于分类训练数据训练获取分类器，通过分类器识别分析待识别的皮肤组织。
将第一步和第二步中获取的血液含量与对应的至少一组光谱特征(漫反射特征和对应的荧光特征)整合成模型输入数据，其整合过程包括数据拼接和归一化处理等。根据模型输入数据对应的皮肤组织是否癌变设置组织标签，这样可以获取分类训练数据，进而完成分类器的训练。
在获取待识别皮肤组织时，提取其血液含量、漫反射特征和荧光特征组成光谱特征序列，该光谱特征序列与分类器训练时的模型输入数据内容属性一致。将光谱特征序列输入至分类器中，根据得到的组织标签即可判断待识别皮肤组织是否异常，完成皮肤基底细胞癌的识别。
在另外一些优选的实施例中，荧光特征还可以包括皮肤基底细胞癌的组织深度(可用于评价癌变状态)，也就是BCC组织深度；BCC组织深度对荧光逃逸函数具有很大的影响。在设置分类训练数据中模型输入数据对应的组织标签时，测量模型输入数据对应皮肤组织的BCC组织深度，与组织标签结合作为分类器的输出数据。则在后续对待识别皮肤组织进行识别时，不仅可以识别出皮肤基底细胞癌，而且可以根据光谱数据识别出其状态。
上述公式中的部分数据是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：获取正常皮肤组织和已知诊断结果的皮肤基底细胞癌对应皮肤组织的多光谱数据；按照皮肤组织的血液含量对多光谱数据分类，整合分类结果与血液含量，获取若干光谱数据组。基于预设波长提取光谱数据组，获取漫反射光谱组和荧光光谱组；分别获取漫反射光谱组和荧光光谱组对应的光谱特征。将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；基于分类训练数据训练获取分类器，通过分类器识别分析待识别的皮肤组织。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (4)

1.一种多光谱组合的皮肤基底细胞癌识别方法，其特征在于，包括：
获取正常皮肤组织和已知诊断结果的皮肤基底细胞癌对应皮肤组织的多光谱数据；按照皮肤组织的血液含量对多光谱数据分类，整合分类结果与血液含量，获取若干光谱数据组；其中，多光谱数据包括漫反射光谱数据和可见光荧光光谱数据；
基于预设波长提取光谱数据组，获取漫反射光谱组和荧光光谱组；分别获取漫反射光谱组和荧光光谱组对应的光谱特征；其中，光谱特征基于癌变皮肤组织和正常皮肤组织的光谱数据关系获取，光谱特征包括漫反射特征或者荧光特征；
将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，结合光谱数据组对应的组织标签生成分类训练数据；基于分类训练数据训练获取分类器，通过分类器识别分析待识别的皮肤组织；其中，组织标签用于区别皮肤组织是否正常；
所述按照皮肤组织的血液含量对多光谱数据分类，包括：
获取并排序多光谱数据对应皮肤组织的血液含量，验证血液含量的数值没有出现突变之后整合成血液组；其中，出现突变则对多光谱数据进行补充；
按照血液组中的血液含量对多光谱数据进行分类，获取分类结果；其中，分类结果中每个血液含量对应至少两条多光谱数据；
所述基于预设波长提取光谱数据组，包括：
在标准波长中提取至少一个预设波长；其中，标准波长范围为480-700nm；
基于预设波长从光谱数据组中提取对应的漫反射光谱数据和可见光荧光光谱数据，结合血液含量整合生成漫反射光谱组和荧光光谱组；
所述获取漫反射光谱组和荧光光谱组对应的光谱特征，包括：
获取漫反射光谱组中癌变皮肤组织和正常皮肤组织对应的光谱曲线，结合曲线积分方式获取两条曲线随波长变化的光谱差别，标记为漫反射特征；以及
获取荧光光谱组中癌变皮肤组织和正常皮肤组织对应的荧光逃逸函数曲线，结合曲线积分方式获取两条曲线随波长变化的光谱差别，标记为荧光特征。
2.根据权利要求1所述的一种多光谱组合的皮肤基底细胞癌识别方法，其特征在于，所述将光谱数据组对应的漫反射特征、荧光特征与血液含量整合，包括：
提取光谱数据组的血液含量，以及获取的光谱特征；
将血液含量和对应的光谱特征拼接整合，生成模型输入数据；其中，模型输入数据为分类器训练的输入数据。
3.根据权利要求2所述的一种多光谱组合的皮肤基底细胞癌识别方法，其特征在于，所述结合光谱数据组对应的组织标签生成分类训练数据，包括：
判断光谱数据组对应的皮肤组织属性是否正常；是，则将组织标签设置为0；否，则将组织标签设置为1；
将光谱数据组的模型输入数据和组织标签关联，生成分类训练数据；其中，组织标签为分类器训练的输出数据。
4.根据权利要求3所述的一种多光谱组合的皮肤基底细胞癌识别方法，其特征在于，所述通过分类器识别分析待识别的皮肤组织，包括：
获取待识别皮肤组织的多光谱数据，提取多光谱数据的光谱特征并与待识别皮肤组织对应的血液含量拼接整合成光谱特征序列；
将光谱特征序列输入至训练好的分类器中，获取对应输出的组织标签；当组织标签为1时，判定待识别皮肤组织出现皮肤基底细胞癌；否，则为正常皮肤。
CN202310666824.1A 2023-06-07 2023-06-07 一种多光谱组合的皮肤基底细胞癌识别方法 Active CN116842436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310666824.1A CN116842436B (zh) 2023-06-07 2023-06-07 一种多光谱组合的皮肤基底细胞癌识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310666824.1A CN116842436B (zh) 2023-06-07 2023-06-07 一种多光谱组合的皮肤基底细胞癌识别方法

Publications (2)

Publication Number Publication Date
CN116842436A CN116842436A (zh) 2023-10-03
CN116842436B true CN116842436B (zh) 2024-01-16

Family

ID=88173437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310666824.1A Active CN116842436B (zh) 2023-06-07 2023-06-07 一种多光谱组合的皮肤基底细胞癌识别方法

Country Status (1)

Country Link
CN (1) CN116842436B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010264276A (ja) * 2010-07-16 2010-11-25 Tokyo Institute Of Technology マルチスペクトル皮膚画像による診断方法
CN108272437A (zh) * 2017-12-27 2018-07-13 中国科学院西安光学精密机械研究所 用于皮肤病诊断的光谱检测系统和分类器模型构建方法
EP3351162A1 (en) * 2017-01-20 2018-07-25 Universitat Politècnica De Catalunya A computer implemented method, a system and computer program products to characterize a skin lesion
CN109363640A (zh) * 2018-12-04 2019-02-22 北京贝叶科技有限公司 基于皮肤病理图像的识别方法及系统
CN210300954U (zh) * 2019-03-08 2020-04-14 合肥中科易康达生物医学有限公司 一种人体代谢健康指数无创检测设备
CN112233061A (zh) * 2020-09-07 2021-01-15 中国人民解放军海军军医大学第一附属医院 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法
CN112877438A (zh) * 2021-03-26 2021-06-01 中国医学科学院北京协和医院 纳入分子分型和pdl1检测的高危子宫内膜癌预后评价系统
CN112912026A (zh) * 2018-10-11 2021-06-04 鲁美斯有限公司 美容激光美容的皮肤治疗过程的实时监测
CN113167722A (zh) * 2018-11-06 2021-07-23 索尼集团公司 信息处理装置、信息处理方法和程序
CN113807320A (zh) * 2021-10-18 2021-12-17 吉林求是光谱数据科技有限公司 一种基于多光谱成像技术的人体肤色识别方法及系统
CN113854962A (zh) * 2021-09-15 2021-12-31 同济大学 一种基于多波长光声谱的皮肤类型识别方法及系统
CN114999661A (zh) * 2022-06-20 2022-09-02 宁波大学医学院附属医院 皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040044287A1 (en) * 2000-03-31 2004-03-04 Wei-Chiang Lin Identification of human tissue using optical spectroscopy

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010264276A (ja) * 2010-07-16 2010-11-25 Tokyo Institute Of Technology マルチスペクトル皮膚画像による診断方法
EP3351162A1 (en) * 2017-01-20 2018-07-25 Universitat Politècnica De Catalunya A computer implemented method, a system and computer program products to characterize a skin lesion
CN108272437A (zh) * 2017-12-27 2018-07-13 中国科学院西安光学精密机械研究所 用于皮肤病诊断的光谱检测系统和分类器模型构建方法
CN112912026A (zh) * 2018-10-11 2021-06-04 鲁美斯有限公司 美容激光美容的皮肤治疗过程的实时监测
CN113167722A (zh) * 2018-11-06 2021-07-23 索尼集团公司 信息处理装置、信息处理方法和程序
CN109363640A (zh) * 2018-12-04 2019-02-22 北京贝叶科技有限公司 基于皮肤病理图像的识别方法及系统
CN210300954U (zh) * 2019-03-08 2020-04-14 合肥中科易康达生物医学有限公司 一种人体代谢健康指数无创检测设备
CN112233061A (zh) * 2020-09-07 2021-01-15 中国人民解放军海军军医大学第一附属医院 一种基于深度学习的皮肤基底细胞癌和鲍温病识别方法
CN112877438A (zh) * 2021-03-26 2021-06-01 中国医学科学院北京协和医院 纳入分子分型和pdl1检测的高危子宫内膜癌预后评价系统
CN113854962A (zh) * 2021-09-15 2021-12-31 同济大学 一种基于多波长光声谱的皮肤类型识别方法及系统
CN113807320A (zh) * 2021-10-18 2021-12-17 吉林求是光谱数据科技有限公司 一种基于多光谱成像技术的人体肤色识别方法及系统
CN114999661A (zh) * 2022-06-20 2022-09-02 宁波大学医学院附属医院 皮肤癌识别模型的构建方法、皮肤癌识别装置、电子设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Atam P. Dhawan ; Brian D'Alessandro ; Sachin Patwardhan ; .《Multispectral optical imaging of skin-lesions for detection of malignant melanomas》.《2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society》.2009,全文. *
刘霜 ; 乔文龙 ; 陈沛权 ; 梁冬生 ; 周亮.《基于偏振多光谱成像的非接触式心率测量脉搏波提取技术》.《临床急诊杂志》.2022,全文. *
基于扩散理论的生物组织固有荧光光谱复原方法研究;刘勇;张元志;候华毅;朱灵;王安;王贻坤;;光谱学与光谱分析(第12期);全文 *
皮肤组织血液含量对皮肤光谱的影响;黄宝华;陈荣;曾海山;王月云;谢树森;;光谱学与光谱分析(第01期);全文 *

Also Published As

Publication number Publication date
CN116842436A (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
EP2700042B1 (en) Analyzing the expression of biomarkers in cells with moments
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN106874687A (zh) 病理切片图像智能分类方法及装置
Hoshyar et al. Review on automatic early skin cancer detection
US11499958B2 (en) Biological tissue analyzing device, biological tissue analyzing program, and biological tissue analyzing method
WO2013064605A2 (en) Generate percentage of positive cells for biomarkers by normalizing and autothresholding the image intensity produced by immunohistochemistry technique
CN105043998B (zh) 一种鉴别玉米单倍体的方法
Mikołajczyk et al. Towards explainable classifiers using the counterfactual approach-global explanations for discovering bias in data
CN109781701A (zh) 一种基于拉曼光谱技术的甲状旁腺术中实时检测方法
Suhendra et al. A novel approach to multi-class atopic dermatitis disease severity scoring using multi-class SVM
CN114331474A (zh) 一种模糊线性判别分析的牛奶产地溯源方法
CN116842436B (zh) 一种多光谱组合的皮肤基底细胞癌识别方法
Liu et al. Using hyperspectral imaging automatic classification of gastric cancer grading with a shallow residual network
CN104573668A (zh) 基于光谱反射率的面部色泽适应性自动识别方法
CN106596507A (zh) 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法
Xu et al. Detection of Cucumber Powdery Mildew Based on Spectral and Image Information
Galvão Filho et al. Pancreatic Cancer Detection Using Hyperspectral Imaging and Machine Learning
Bedo et al. Color and texture influence on computer-aided diagnosis of dermatological ulcers
Tahat et al. Computer Aided Diagnosis of Melanoma Based on the ABCD Rule
Cho et al. A machine learning-driven approach to computational physiological modeling of skin cancer
CN116019425B (zh) 一种基于高光谱图像的数字皮肤模型及其应用
EP4282326A1 (en) Process for coding an image of a scalp illuminated with a fluorescence-based wood's light
Mishra et al. Feature based characterization of Vitiligo skin images using Machine Learning.
Hradel et al. Interpretable diagnosis of breast cancer from histological images using Siamese neural networks
KR20230166568A (ko) 모낭 분류 및 탈모 심각도 추정 시스템 및 방법

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