[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

本發明提出了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。首先采集腫瘤組織的傅里葉紅外光譜；對腫瘤組織的紅外光譜進行預處理；將紅外光譜中的分子振動特征區融合為特征向量；將特征向量輸入到學習向量化神經網絡，構建腫瘤組織診斷模型。最后將待診斷腫瘤組織的特征向量輸入到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。本發明通過對腫瘤組織的紅外光譜進行分析，能夠快速、準確地對待檢測組織做出診斷，具有一定的臨床應用價值。

技術領域

本發明屬于腫瘤組織診斷技術領域，具體地說是一種基于光譜融合和學習向量化神經網絡的腫瘤組織診斷方法。

背景技術

惡性腫瘤嚴重威脅人類的健康和生命安全。據國際癌癥研究機構調查，2018年內全球185個地區，共出現1810萬癌癥患者，960萬人因癌癥死亡。早發現早治療是提高癌癥治愈率的關鍵。目前，癌癥的診斷手段包含腫瘤標志物篩查、影像學檢查、病理學診斷等，其中，病理學診斷是診斷腫瘤的金標準。然而，病理學診斷操作過程繁瑣，往往需要幾天才能給出診斷結果，且易受人為因素干擾，因此，急需一種快速、準確的腫瘤組織診斷方法。

傅里葉紅外光譜技術是一種能夠從分子基團水平研究生物組織的技術。它能夠通過組織內生物大分子基團的振動光譜變化來測定組織內生物大分子構象、數量的變化。早期腫瘤組織在影像學上尚未有明顯的變化，但是在紅外光譜已有變化。已有的利用傅里葉紅外光譜技術研究腫瘤組織的工作多是研究單一分子基團特征峰的峰高、峰面積或者二者的比例與腫瘤惡性程度的關系。關于利用傅里葉紅外光譜實現腫瘤組織診斷的技術還未見報道。

發明內容

本發明的目的是提供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，利用腫瘤組織的紅外光譜，實現快速、準確的診斷腫瘤組織。本發明將組織內分子振動基團的所有光譜融合為一個特征向量，保留分子基團振動的有用信息，又丟掉了光譜測量范圍內與生物分子基團無關的信息，結合光譜融合和學習向量化神經網絡，完成腫瘤組織診斷的目的。

學習向量化神經網絡算法是一種在有監督狀態下訓練競爭層的神經網絡算法。與其他機器學習算法相比，學習向量化神經網絡的優點在于結構非常簡單，只通過內部單元的相互作用就可以完成十分復雜的分類處理，而且它不需要對輸入向量進行歸一化、正交化處理，只需要計算輸入向量和競爭層之間的距離，即可實現分類的目的。

本發明通過以下技術方案實現：

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，其特殊之處在于，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。

進一步地，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：