[發明專利]基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法

在審

• 申請號: 202110098174.6
• 申請日: 2021-01-25
• 公開（公告）號: CN112945892A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 盧曉云;彭文毓
• 申請（專利權）人: 西安交通大學
• 主分類號: G01N21/3563
• 分類號: G01N21/3563;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: 汪海艷

1.一種基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法，其特征在于，包括以下步驟：

步驟1：利用傅里葉紅外光譜儀獲取腫瘤組織的紅外吸收光譜；

步驟2：對腫瘤組織的紅外吸收光譜進行預處理以降低腫瘤組織樣品不平整或者厚度不均勻造成的誤差，提高光譜信噪比；

步驟3：將預處理后紅外吸收光譜中生物大分子振動特征區的光譜融合為特征向量；

步驟4：將特征向量輸入學習向量化神經網絡，構建基于學習向量化神經網絡的腫瘤診斷模型；

步驟5：按照步驟1、2和3的處理方法將待診斷腫瘤組織處理后，得到待診斷特征向量，將待診斷特征向量輸入到步驟4構建好的腫瘤診斷模型，即可得到待診斷腫瘤組織的診斷結果。

2.根據權利要求1所述的基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法，其特征在于，步驟4的具體過程如下：

步驟4.1、初始化競爭層神經元i和輸入層的神經元j之間的權值ω_ij及學習率η，η0，設定最大迭代次數；i、j均為自然數；

步驟4.2、計算輸入的特征向量x＝(x₁,x₂,…,x_n)^T和競爭層神經元的距離：

式中，ω_ij為競爭層神經元i和輸入層的神經元j之間的權值，n為特征維度，S為競爭層神經元的數目；

步驟4.3、選擇與輸入特征向量距離最小的競爭層神經元，若d_i最小，則記與輸入特征向量距離最小的競爭層神經元連接的線性輸出層神經元的類標簽為C_i；

步驟4.4、記輸入特征向量對應的類標簽為C_x，若C_x＝C_i，則用如下方法迭代更新權值：

ω_ij-new＝ω_ij-old+η(x-ω_ij-old)

否則，按如下方法迭代更新權值：

ω_ij-new＝ω_ij-old-η(x-ω_ij-old)

其中ω_ij-new為更新后的權值，ω_ij-old為更新前的權值；

步驟4.5、判斷是否滿足預先設定的最大迭代次數，滿足時算法結束，獲得腫瘤診斷模型，否則返回步驟4.2，進入下一輪學習。

3.根據權利要求2所述的基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法，其特征在于：步驟1中所述傅里葉紅外光譜儀為Nicolet 6700傅里葉紅外光譜儀。

4.根據權利要求3所述的基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法，其特征在于：步驟2中采用自動基線矯正以降低樣品不平整或者厚度不均勻造成的誤差；采用Savitzky-Golay平滑法提高光譜信噪比。

5.根據權利要求4所述的基于紅外光譜融合和學習向量化神經網絡的腫瘤診斷方法，其特征在于，步驟3中所述的生物大分子振動特征區位于3700-2700cm^-1和1750-950cm^-1范圍內。