一种诊断脑肿瘤和脑梗死的方法技术

本发明专利技术公开了一种诊断脑肿瘤和脑梗死的方法，包括通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；搭建卷积神经网络分类模型，对预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；将待诊断样本的拉曼光谱数据输入所搭建的卷积神经网络模型中，输出待测目标的类别。本发明专利技术为医生对脑肿瘤和脑梗死的诊断提供了判断依据，进一步保障了患者的生命健康。进一步保障了患者的生命健康。进一步保障了患者的生命健康。

【技术实现步骤摘要】
一种诊断脑肿瘤和脑梗死的方法


[0001]本专利技术涉及一种诊断脑肿瘤和脑梗死的方法。

技术介绍

[0002]在医疗领域，依靠人眼和专业知识来判断脑肿瘤与脑梗死，易存在主观判断和误判的问题，并且需要大量的经验积累。同时，组织取样进行病理检查虽然具有准确度高、可靠性强的优点，但却存在有创伤性、操作复杂、耗费时间长等缺点，因此不适用于临床常规检测。随着医疗技术的不断进步，新的成像技术不断涌现，如磁共振成像、CT等成像技术，但它们仍然存在局限性，如成像分辨率、空间灵敏度等方面仍有待改善。因此，需要一种更加准确、快速、无侵入性的方法来诊断脑肿瘤与脑梗死。
[0003]拉曼光谱是一种散射光谱，对与入射光频率不同的散射光谱分析，可以获得分子的振动信息。拉曼光谱分析技术作为一种非接触式的快速、准确、无损的分析技术，可以直接检测到细胞内分子结构和组成的变化，实现对癌变细胞的快速检测，在肿瘤诊断方面引起广泛关注。
[0004]在过去的十年时间内，深度学习算法发展迅猛，在目标特征提取方面表现出色，在分类识别领域被广泛应用。目前使用拉曼光谱技术识别肿瘤的方法已经被提出一部分，但是大多数分析方法都是针对于胃癌，乳腺癌等大众性的肿瘤。然而还没有利用拉曼光谱技术区分脑肿瘤和脑梗死的研究。鉴于此，本次提出了一种诊断脑肿瘤和脑梗死的方法。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的问题而提供一种诊断脑肿瘤和脑梗死的方法。
[0006]本专利技术所采用的技术方案有：
[0007]一种诊断脑肿瘤和脑梗死的方法，包括
[0008]1)通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；
[0009]2)使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；
[0010]3)搭建卷积神经网络分类模型，对步骤2)预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；
[0011]4)将待诊断样本的拉曼光谱数据输入步骤3)所搭建的卷积神经网络模型中，输出待测目标的类别。
[0012]进一步地，步骤1)中，准备脑肿瘤样本和脑梗死样本各50例，使用拉曼光谱仪采集每例样本的拉曼光谱数据。
[0013]进一步地，步骤1)中，使用拉曼光谱仪采集样本1
‑
1092cm
‑1范围内的拉曼光谱。
[0014]进一步地，步骤2)中，对获取的拉曼光谱数据进行预处理具体包括：
[0015](1)基线校正
[0016]采用多项式拟合的方法分进行基线校正，该方法分三步，首先进行峰值消除，之后
多项式拟合逼近基线，得到基线，最后减去基线，得到基线校正后的拉曼光谱数据；
[0017]拟合残差计算公式：
[0018]R(x)＝O(x)
‑
P(x)
[0019][0020]将采集到的脑肿瘤拉曼光谱和脑梗死拉曼光谱作为原始光谱O(x)，将二者分别与其多项式拟合得到拟合光谱P(x)，进行计算得到R(x)，之后通过R(x)计算出拟合残差DEV；
[0021]峰值消除，如果原始光谱的值大于拟合光谱的值，则剔除，原始光谱的值小于拟合光谱的值，则保留，最后得到峰值消除后的光谱；
[0022]多项式拟合逼近基线，对峰值消除后的光谱进行多项式拟合使其逼近基线，继续计算其拟合残差DEVi，如果abs(DEVi
‑
DEV)/DEVi<0.05，则残差满足条件，输出拟合值，即为基线；
[0023]减去基线，用脑肿瘤和脑梗死的原始光谱分别减去其对应的基线，即可得到对应的基线校正后的光谱；
[0024](2)平滑处理
[0025]使用Savitzky
‑
Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
[0026][0027]最小二乘拟合的残差为：
[0028][0029]使用Savitzky
‑
Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：
[0030][0031]最小二乘拟合的残差为：
[0032][0033]其中E表示残差和，m表示需要拟合的两种拉曼光谱对应的波数，n表示多项式的阶次，x[i]为待拟合的数据，即两种基线校正后的拉曼光谱对应波数峰值；
[0034]若要E最小，E对各个参数的偏导应为0：
[0035][0036]即：
[0037][0038]当需要拟合的拉曼光谱波数m，多项式的阶次n，待拟合的拉曼光谱波数峰值x[i]已知后，即可求出多项式；
[0039]拟合的多项式用来求取目标窗口内的中心点估计值：
[0040][0041]输入与Savitzky
‑
Golay滤波器的单位冲激响应进行卷积得到输出：
[0042][0043]根据系数使用离散卷积即可快速得到目标窗口的中心点平滑值，Savitzky
‑
Golay平滑公式为：
[0044][0045]其中，为平滑系数，由最小二乘法拟合多项式求得；
[0046](3)归一化
[0047]采用Batch Normalization归一化方法对拉曼光谱数据进行归一化处理：
[0048][0049]其中x为样本的拉曼光谱数据，y为归一化后的拉曼光谱数据，μ为样本的拉曼光谱数据的均值，σ为样本的拉曼光谱数据的方差，γ是尺度因子，β是平移因子。
[0050]进一步地，步骤3)中，搭建对的卷积神经网络分类模型包括一个输入层、3个卷积层，3个池化层，一个Flatten层，一个全连接层和一个输出层。
[0051]进一步地，步骤4)中，将将待诊断样本的拉曼光谱数据从输入层输入到卷积神经网络分类模型中，通过卷积层对拉曼光谱数据进行特征提取，卷积层提取的不同特征会作为下一层网络的输入；
[0052]经计算比较，3个卷积层的卷积核尺寸参数都设定为3
×
1，卷积运算公式如下：
[0053][0054]式中，*表示卷积运算，y
i
为第i个输出的拉曼光谱特征图，x
j
为第j个输入的拉曼光谱特征图，k
ij
为卷积核，b
j
为偏置；
[0055]在卷积运算中，使用Relu作为激活函数，来解决梯度消失问题，加快梯度下降的收敛速度，运算公式如下：
[0056][0057]卷积结束之后，会将得到的拉曼光谱特征数据传给对应的池化层，池化层会减少每个特征图的维度以及数据量，提升运行速度；
[0058]所述池化层池化方式为Maxpooling，其运算公式如下：
[0059]f(X
k
)＝max{a1,
…
,a
s
}
[0060]其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种诊断脑肿瘤和脑梗死的方法，其特征在于：包括1)通过拉曼光谱仪采集脑肿瘤和脑梗死样本的拉曼光谱数据；2)使用基线校正、平滑处理和归一化方法对获取的拉曼光谱数据进行预处理；3)搭建卷积神经网络分类模型，对步骤2)预处理后的拉曼光谱数据进行训练，调节模型参数得到收敛最佳模型；4)将待诊断样本的拉曼光谱数据输入步骤3)所搭建的卷积神经网络模型中，输出待测目标的类别。2.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤1)中，准备脑肿瘤样本和脑梗死样本各50例，使用拉曼光谱仪采集每例样本的拉曼光谱数据。3.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤1)中，使用拉曼光谱仪采集样本1
‑
1092cm
‑1范围内的拉曼光谱。4.如权利要求1所述的诊断脑肿瘤和脑梗死的方法，其特征在于：步骤2)中，对获取的拉曼光谱数据进行预处理具体包括：(1)基线校正采用多项式拟合的方法分进行基线校正，该方法分三步，首先进行峰值消除，之后多项式拟合逼近基线，得到基线，最后减去基线，得到基线校正后的拉曼光谱数据；拟合残差计算公式：R(x)＝O(x)
‑
P(x)将采集到的脑肿瘤拉曼光谱和脑梗死拉曼光谱作为原始光谱O(x)，将二者分别与其多项式拟合得到拟合光谱P(x)，进行计算得到R(x)，之后通过R(x)计算出拟合残差DEV；峰值消除，如果原始光谱的值大于拟合光谱的值，则剔除，原始光谱的值小于拟合光谱的值，则保留，最后得到峰值消除后的光谱；多项式拟合逼近基线，对峰值消除后的光谱进行多项式拟合使其逼近基线，继续计算其拟合残差DEVi，如果abs(DEVi
‑
DEV)/DEVi<0.05，则残差满足条件，输出拟合值，即为基线；减去基线，用脑肿瘤和脑梗死的原始光谱分别减去其对应的基线，即可得到对应的基线校正后的光谱；(2)平滑处理使用Savitzky
‑
Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：最小二乘拟合的残差为：
使用Savitzky
‑
Golay滤波拟合法对两种样本拉曼光谱基线校正后的光谱进行平滑处理，用如下多项式实现滑动窗内的最小二乘拟合：最小二乘拟合的残差为：其中E表示残差和，m表示需要拟合的两种拉曼光谱对应的波数，n表示多项式的阶次，x[i]为待拟合的数据，即两种基线校正...

【专利技术属性】
技术研发人员：常珊，王志超，殷建，尹焕才，施璜浩，周利涛，许志旺，庞明威，邵赟，张颖，何王秋，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：