[發(fā)明專利]一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011341731.4
• 申請(qǐng)日: 2020-11-25
• 公開（公告）號(hào): CN112183677B
• 公開（公告）日: 2021-02-23
• 發(fā)明（設(shè)計(jì)）人: 甘勝豐;許光;余良俊;羅德純;李露;胡磊
• 申請(qǐng)（專利權(quán)）人: 湖北第二師范學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/40;G06K9/34;G06N3/04;G06N3/08
• 代理公司: 武漢知產(chǎn)時(shí)代知識(shí)產(chǎn)權(quán)代理有限公司 42238
• 代理人: 張毅

本發(fā)明提供一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法，包括：對(duì)質(zhì)譜成像數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，獲得260*134*100的預(yù)訓(xùn)練數(shù)據(jù)；對(duì)二維質(zhì)譜成像數(shù)據(jù)完成手工標(biāo)注，獲得組織區(qū)域分類標(biāo)注文檔，并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；訓(xùn)練并獲得一個(gè)多通道的深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)質(zhì)譜成像數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)質(zhì)譜數(shù)據(jù)空間區(qū)域的自動(dòng)分類。

技術(shù)領(lǐng)域

本發(fā)明涉及質(zhì)譜分析技術(shù)領(lǐng)域，尤其涉及一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法。

背景技術(shù)

質(zhì)譜成像方法通過質(zhì)譜直接掃描生物樣品，并根據(jù)分子空間分布特征進(jìn)行組織切片的成像。由于大量原始數(shù)據(jù)的產(chǎn)生，MSI質(zhì)譜成像數(shù)據(jù)采集過程中會(huì)出現(xiàn)峰值錯(cuò)位，解吸/電離過程中也會(huì)產(chǎn)生一些分子加合物和分子碎片噪音，因此機(jī)器學(xué)習(xí)方法已成為MSI相關(guān)研究中必不可少的內(nèi)容。以往質(zhì)譜成像分類算法一般包含數(shù)據(jù)預(yù)處理和機(jī)器學(xué)習(xí)兩個(gè)步驟。數(shù)據(jù)預(yù)處理算法涉及基線校正、平滑去噪、質(zhì)心化處理、歸一化、數(shù)據(jù)降維和特征峰抽取等。其中數(shù)據(jù)降維和特征提取可減少質(zhì)譜成像數(shù)據(jù)的數(shù)據(jù)量，但缺陷是造成了信息的丟失。許多研究已經(jīng)描述了各種機(jī)器學(xué)習(xí)策略用于質(zhì)譜成像分類。包括隨機(jī)森林算法（RF）、支持向量機(jī)（SVM）、PCA判別分析、遞歸最大邊緣準(zhǔn)則（RMMC）或人工神經(jīng)網(wǎng)絡(luò)（ANN）已被用于MSI圖像的分類和疾病診斷應(yīng)用。這些算法的缺陷包括對(duì)多通道圖像高維度數(shù)據(jù)分類精度較低；算法容易出現(xiàn)過擬合；往往需要分解成多個(gè)步驟并在每個(gè)獨(dú)立學(xué)習(xí)任務(wù)執(zhí)行前均要做數(shù)據(jù)標(biāo)注。因此提出一種基于多通道的卷積神經(jīng)網(wǎng)絡(luò)的MSI質(zhì)譜成像分類方法，實(shí)現(xiàn)圖像組織切片的區(qū)域分割，達(dá)到圖像分割精度和效率的提升。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明目的是提供一種基于多通道卷積神經(jīng)網(wǎng)絡(luò)的質(zhì)譜成像分類方法，包括：

S1：對(duì)質(zhì)譜成像數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，獲得260*134*100的預(yù)訓(xùn)練數(shù)據(jù)；

S2：對(duì)預(yù)訓(xùn)練數(shù)據(jù)完成手工標(biāo)注，獲得組織區(qū)域分類標(biāo)注文檔，并構(gòu)建訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；

S3：訓(xùn)練并獲得一個(gè)多通道的深度卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)質(zhì)譜成像數(shù)據(jù)進(jìn)行特征提取，實(shí)現(xiàn)質(zhì)譜數(shù)據(jù)空間區(qū)域的自動(dòng)分類。

進(jìn)一步地，S1中所述具體包括：

S11：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行基線消除處理，每個(gè)分子離子質(zhì)荷比m/z值對(duì)應(yīng)一個(gè)通道，共60000個(gè)通道；

S12：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行平滑去噪處理，通道數(shù)保持60000個(gè)；

S13：對(duì)260*134個(gè)像素點(diǎn)上的質(zhì)譜數(shù)據(jù)進(jìn)行質(zhì)心化處理，獲得每個(gè)像素點(diǎn)上的質(zhì)譜特征峰集，并構(gòu)建完整的質(zhì)譜成像特征峰集，每個(gè)像素特征峰共100個(gè)，通道數(shù)縮減至100；

S14：對(duì)質(zhì)譜成像特征峰集的m/z值進(jìn)行歸一化處理；

S15：對(duì)質(zhì)譜成像特征峰集的豐度值進(jìn)行歸一化處理。

進(jìn)一步地，步驟S2具體包括：

S21：將260*134*100的預(yù)訓(xùn)練數(shù)據(jù)生成成34056個(gè)3*3*100的數(shù)據(jù)集；

S22：根據(jù)已知質(zhì)譜成像組織區(qū)域的光學(xué)成像數(shù)據(jù)，對(duì)每個(gè)10像素*10像素（對(duì)應(yīng)于質(zhì)譜成像數(shù)據(jù)的3*3區(qū)域）的平面區(qū)域進(jìn)行組織區(qū)域手工標(biāo)注，共包括三個(gè)類型的組織區(qū)域，生成組織區(qū)域分類標(biāo)注文檔；

S23：根據(jù)十倍交叉驗(yàn)證方法，對(duì)34056個(gè)3*3*100的數(shù)據(jù)集進(jìn)行訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集的構(gòu)建。

進(jìn)一步地，所述的S3具體包括：

S31：對(duì)應(yīng)每個(gè)3*3*100的質(zhì)譜成像數(shù)據(jù)，通過兩種3*3*5的卷積核進(jìn)行卷積，得到3*3*192的共192個(gè)通道的尺寸為3*3的卷積結(jié)果，每個(gè)通道的每個(gè)像素上對(duì)應(yīng)的卷積結(jié)果通過帶入激活函數(shù)ReLU并輸出；