[發(fā)明專利]一種基于顯微高光譜成像技術(shù)的組織切片分類方法

有效

• 申請?zhí)枺?/td>: 201910250023.0
• 申請日: 2019-03-29
• 公開（公告）號: CN110033032B
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 胡炳樑;杜劍;張周鋒;于濤
• 申請（專利權(quán)）人: 中國科學(xué)院西安光學(xué)精密機械研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01N21/25;G06N3/04;G06N3/08
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 胡樂

本發(fā)明提供一種基于顯微高光譜成像技術(shù)的組織切片分類方法。該方法首先對顯微高光譜數(shù)據(jù)進行預(yù)處理，從而消除噪聲影響，并消除數(shù)據(jù)冗余；建立并訓(xùn)練三類卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型；其中一維CNN模型實現(xiàn)光譜維的特征提取與分類，二維CNN模型和三維CNN模型分別實現(xiàn)圖譜?光譜維的聯(lián)合特征提取與分類；針對實際待測顯微高光譜圖像，通過定量定性分析以及模型輸出結(jié)果的表決，得到最終分類結(jié)果。本發(fā)明利用深度學(xué)習的卷積神經(jīng)網(wǎng)絡(luò)模型對兩者進行深層特征的提取與分類，提高整體分類精度與速度的同時，完善了對病理切片的自動化數(shù)據(jù)采集與分類過程。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像信號處理技術(shù)領(lǐng)域，具體涉及一種基于顯微高光譜成像技術(shù)的組織切片分類方法。

背景技術(shù)

醫(yī)學(xué)高光譜成像是一個建立在臨床醫(yī)學(xué)、影像學(xué)、醫(yī)用傳感器、病理組織分析等多門技術(shù)基礎(chǔ)之上的綜合交叉技術(shù)，屬于近幾年高光譜技術(shù)新的領(lǐng)域應(yīng)用。

顯微高光譜技術(shù)整合顯微成像系統(tǒng)可以得到更高空間分辨率的顯微高光譜影像，使得研究微觀尺度對象(如組織切片、細胞、微生物等)成為可能。顯微高光譜成像技術(shù)融合了光譜分析和光學(xué)成像兩項傳統(tǒng)光學(xué)診斷技術(shù)，可以同時提供生物組織樣本圖譜兩方面的信息。光譜分析可以獲得切片樣本上某一點在某一感興趣波長范圍的完整光譜數(shù)據(jù)，可以對組織細胞的生化組分信息進行分析；光學(xué)成像技術(shù)則記錄了樣本的灰度或者彩色圖像，從形態(tài)上對切片組織進行分析。

在取得組織切片的顯微高光譜圖像后，通常需要進行數(shù)據(jù)預(yù)處理以及特征提取的過程，重點是對癌變組織與正常組織的形態(tài)學(xué)及光譜維差異進行分析。目前，國內(nèi)外相關(guān)研究采用的方法仍多集中于淺層學(xué)習算法，常見的有主成分分析PCA和支持向量機SVM等，或是基于光譜信息的光譜角制圖法SAM、光譜曲線匹配法等。例如，Akbari等人獲取了肺部轉(zhuǎn)移腫瘤在450～950nm的顯微高光譜圖像，利用SVM進行分類，對肺癌轉(zhuǎn)移組織的檢測靈敏度達到92.6％；華東師范大學(xué)的李慶利等人利用顯微光譜成像系統(tǒng)采集了運動神經(jīng)細胞和感覺神經(jīng)細胞，將改進的光譜角制圖SAM算法用于神經(jīng)細胞的分類。這些方法雖然取得了一些結(jié)果，但無論是分類精度、計算效率，還是自適應(yīng)性和可移植性，都需進一步提高。其結(jié)果達不到精準醫(yī)療對于疾病精確定位的要求，特別是在面對更復(fù)雜的疾病亞類型及分支時，圖像特征不夠明顯，光譜特征差異很小，傳統(tǒng)算法和簡易判別模型很難提取到深層特征來進行有效的判別分類。

發(fā)明內(nèi)容

為了克服上述現(xiàn)有方法的不足，本發(fā)明的目的在于提供一種基于顯微高光譜成像技術(shù)的組織切片分類方法，旨在提高整體分類精度與速度，并完善對病理切片的自動化數(shù)據(jù)采集與分類過程。

本發(fā)明的解決方案如下：

該基于顯微高光譜成像技術(shù)的組織切片分類方法，包括以下步驟：

1)系統(tǒng)建模

1.1)對訓(xùn)練集的顯微高光譜數(shù)據(jù)進行預(yù)處理，從而消除噪聲影響，并消除數(shù)據(jù)冗余；

1.2)三類卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型的訓(xùn)練

1.2a)一維CNN模型

建立CNN模型，將預(yù)處理后的數(shù)據(jù)輸入到CNN模型中，針對所述預(yù)處理后的數(shù)據(jù)中的一維光譜曲線(一維光譜數(shù)據(jù))訓(xùn)練CNN模型，從而實現(xiàn)光譜維的特征提取與分類；其中，根據(jù)樣本數(shù)量和光譜維度確定大致網(wǎng)絡(luò)層數(shù)，隨后根據(jù)訓(xùn)練結(jié)果對網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)整，調(diào)節(jié)各層參數(shù)優(yōu)化網(wǎng)絡(luò)模型；

1.2b)二維CNN模型

借鑒步驟3a)確定的模型參數(shù)和結(jié)構(gòu)，建立一個二維CNN模型；