基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法技术

本发明专利技术涉及基于偏振散射光谱技术与贝叶斯深度学习技术相结合的细胞核尺寸预测方法，通过测量病变组织单次散射光谱，利用训练好的贝叶斯神经网络就对输入的单次散射光谱进行预测，可以获取组织的细胞核大小。本发明专利技术包括以下步骤：单次散射光谱物理模型的建立，单次散射光谱训练集的生成，构建贝叶斯神经网络，用生成的单次散射光谱训练集对神经网络进行训练，评估模型；用训练好的贝叶斯网络模型对待测样品的单次散射光谱进行预测，给出细胞核的尺寸和预测的不确定度。本发明专利技术基于贝叶斯深度学习实现了细胞核尺寸的快速反演，提高了反演的速度，提供了预测的不确定度。提供了预测的不确定度。提供了预测的不确定度。

【技术实现步骤摘要】
基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法


[0001]本专利技术属于胃肠早癌检测
，特别涉及一种基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法。

技术介绍

[0002]消化道恶性肿瘤的早期诊断和治疗可以显着提高患者的长期生存率，改善生活质量。然而，由于其在人体内的位置，恶性肿瘤通常在癌变晚期才能够被诊断出来。目前，消化道恶性肿瘤的诊断和治疗是通过内窥镜实现的。内窥镜医师负责发现病变和活检，病理学医生负责活检组织的病理显微镜检查和诊断。这些检查旨在做出准确的诊断和定位残留癌症的位置。然而，这是一项复杂的工作，需要内窥镜医生和病理学医生具备丰富的知识和经验，而且诊断过程非常耗时。通常，放大内镜结合窄带成像(ME
‑
NBI)技术用于早期胃肠道癌的内镜诊断。一般来说，ME
‑
NBI对早期恶性肿瘤的诊断是基于异常的腺体形态和毛细血管形态。相比之下，病理学诊断基于异常细胞核形态，如细胞核大小、形状和密度等。这些形态信息可以从单次散射光谱中获取。因此，光散射光谱(LSS)是一种有前途的方法，可以从收集到的上皮细胞的单次散射光中无创地获得体内的异常核形态学信息[Mourant,J.R.；Bigio,I.J.；Boyer,J.；Conn,R.L.；Johnson,T.；Shimada,T.,Spectroscopic diagnosis of bladder cancer with elastic light scattering.Lasers Surg.Med.1995,17(4),350
‑
357.]。在美国专利US 6624890 B2中，Backman等人开创了偏振光散射光谱(PLSS)技术之后，研究人员研发了许多新颖的PLSS系统，这些系统在临床实践中显示出良好的诊断效果。而在现有的PLSS系统中，要么采用机械可旋转偏振片，如美国专利US 6624890 B2，要么采用两个并列正交偏振片，如美国专利US 9788728 B2，来分离单次散射光谱。为了简化PLSS系统并提高检测效率，我们提出了快照式PLSS技术[Tuniyazi A,Mu T,Jiang X,Han F,Li H,Li Q,Gong H,Wang W,Qin B.Snapshot polarized light scattering spectroscopy using spectrally
‑
modulated polarimetry for early gastric cancer detection.J Biophotonics.2021 Sep；14(9):e202100140.]。
[0003]无论使用何种PLSS系统，都应从散射光谱中反演出细胞核形态信息。一般来说，细胞核的大小是通过用模型驱动的方法拟合实验光谱和理论光谱来反演的。尽管这类方法能以相对较高的精度和准确度估计上皮细胞核的大小分布，但这些方法拟合一个散射光谱需要很长的时间，这对大面积的实时早期癌症诊断来说是个挑战。为了实现实时诊断，Le Qiu等人提出了一种快速的半经验算法[L.Qiu,R.Chuttani,D.K.Pleskow,V.Turzhitsky,U.Khan,Y.N.Zakharov,L.Zhang,T.M.Berzin,E.U.Yee,M.S.Sawhney,Y.Li,E.Vitkin,J.D.Goldsmith,I.Itzkan,and L.T.Perelman,"Multispectral light scattering endoscopic imaging of esophageal precancer,"Light Sci Appl 7,17174(2018)]。该算法不需要反演上皮细胞核的大小，而是根据光谱的统计特性给出了一个经验参数，根据经验参数来诊断是否癌变。虽然该算法的诊断速度快，但该算法严重依赖于组织特征的物理先验，是一种半定量的方法。在病理诊断中，判断组织是否癌变主要是根据细胞核的形貌
信息，癌细胞核一般比正常细胞核大。因此在实践中，上皮细胞核的大小分布对于定量诊断早期癌症很有价值。为了实现PLSS技术实时反演细胞核大小的性能，迫切需要速度更快的，能够实时反演细胞核大小的方法。

技术实现思路

[0004]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，以解决PLSS技术反演细胞核大小速度慢和尺寸预测缺少不确定度评估等的问题。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，包括如下步骤：
[0007]步骤1，利用米氏散射理论结合偏振门散射光谱系统，生成生物组织的单次散射光谱数据集，并划分训练集和测试集；
[0008]步骤2，构建贝叶斯神经网络；
[0009]步骤3，利用所述训练集和测试集，训练所述贝叶斯神经网络并进行测试评估，得到分类模型，所述分类模型的输入为单次散射光谱，输出为生物组织的细胞核尺寸；
[0010]步骤4，测量生物组织的单次散射光谱，输入所述分类模型，得到细胞核尺寸。
[0011]在一个实施例中，所述生物组织的单次散射光谱的生成包括以下步骤：
[0012]步骤11，根据偏振门散射光谱系统和米氏散射理论，建立单次散射光谱的物理模型：
[0013][0014]其中ΔI为单次散射光谱，所述单次散射光谱近似等于平行偏振分量和垂直偏振分量的差，κ为归一化因子，I0为入射线偏振光的强度，θ是散射角，θ0为后向散射光被收集的角度范围，D为细胞核直径，ΔD为细胞核直径尺寸范围，s2为散射振幅矩阵的元素，λ为入射线偏振光的波长，n为相对折射率，f(D)为细胞核尺寸分布函数，细胞核尺寸分布满足高斯分布，其均值为D，标准差为σ；
[0015]步骤12，根据生物组织的物理特性，确定D、σ和n的可取范围，维持其它参数不变，并带入步骤11中的物理模型，生成单次散射光谱的数据集。
[0016]在一个实施例中，所述数据集中，将单次散射光谱进行归一化，作为训练集中的输入项，将D、σ和n合并成一个标签，即只有尺寸作为训练集的标签，然后以Δμm作为间隔，根据尺寸对数据集进行分区，每个区作为一个类别，每个区的均值作为该类别的标签，即尺寸作为类别的标签；采用同样方法，生成测试集，其中所述训练集与所述测试集中，D、σ和n的取值不同。
[0017]在一个实施例中，所述步骤2，构建贝叶斯神经网络的步骤如下：
[0018]步骤21，建立一个贝叶斯深度学习分类网络模型，其网络层数依次设定为输入层、卷积层、平滑层、Dropout层和输出层。
[0019]步骤22，将输入层的维度设为单次散射光谱的波段数，将输出层的节点设为类别数量，Dropout比例设为r。
[0020]在一个实施例中，所述步骤3，训练贝叶斯神经网络并进行测试评估的步骤如下：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，其特征在于，包括如下步骤：步骤1，利用米氏散射理论结合偏振门散射光谱系统，生成生物组织的单次散射光谱数据集，并划分训练集和测试集；步骤2，构建贝叶斯神经分类网络；步骤3，利用所述训练集和测试集，训练所述贝叶斯神经网络并进行测试评估，得到分类模型，所述分类模型的输入为单次散射光谱，输出为生物组织的细胞核尺寸；步骤4，测量生物组织的单次散射光谱，输入至所述分类模型，得到细胞核尺寸。2.根据权利要求1所述基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，其特征在于，所述生物组织的单次散射光谱的生成包括以下步骤：步骤11，根据偏振门散射光谱系统和米氏散射理论，建立单次散射光谱的物理模型：其中ΔI为单次散射光谱，κ为归一化因子，I0为入射线偏振光的强度，θ是散射角，θ0为后向散射光被收集的角度范围，D为细胞核直径，ΔD为细胞核直径尺寸范围，s2为散射振幅矩阵的元素，λ为入射线偏振光的波长，n为相对折射率，f(D)为细胞核尺寸分布函数，细胞核尺寸分布满足高斯分布，其均值为D，标准差为σ；步骤12，根据生物组织的物理特性，确定D、σ和n的可取范围，维持其它参数不变，并带入步骤11中的物理模型，生成单次散射光谱的数据集。3.根据权利要求2所述基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，其特征在于，所述数据集中，将单次散射光谱进行归一化，作为训练集中的输入项，将D、σ和n合并成一个标签，即只有尺寸作为训练集的标签，然后以Δμm作为间隔，根据尺寸对数据集进行分区，每个区作为一个类别，每个区的均值作为该类别的标签，即尺寸作为类别的标签；采用同样方法，生成测试集，其中所述训练集与所述测试集中，D、σ和n的取值不同。4.根据权利要求1所述基于贝叶斯神经网络的偏振散射光谱细胞核尺寸预测方法，其特征在于，所述步骤2，构建贝叶斯神经分类网络的步骤如下：步骤21，建立一个贝叶斯深度学习分类网络模型，其网络层数依次设定为输入层、卷积层、平滑层、Dropout层和输出层。步骤22，将输入层的维度设为单次散射光谱的波段数，将...

【专利技术属性】
技术研发人员：穆廷魁，阿卜杜萨拉木，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：