1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
2 中国科学院大学, 北京 100049
为了探究高光谱技术在胃癌组织病理诊断中的应用,将高光谱成像与显微系统结合,采集胃部切片组织的高光谱图像。针对胃癌组织与胃部正常组织在410~910 nm波段的光谱特性差异,提出了一种基于卷积神经网络模型的胃癌组织分类方法,对原始光谱进行S-G平滑和一阶导数等预处理,通过分析光谱数据的特点和模型的分类效率,确定了最佳的网络结构及参数。实验结果表明:该模型对胃部癌变和正常组织的分类准确率为96.53%,鉴别胃癌组织的灵敏度和特异性分别达到94.29%和97.14%;相比于浅层学习方法,卷积神经网络模型能够充分提取癌变组织的深层光谱特征,同时能有效避免过拟合现象。将深度学习理论与显微高光谱结合的方法为医学病理研究提供了新思路。
光谱学 胃癌组织分类 卷积神经网络 显微高光谱成像 深度学习
1 苏州大学 苏州大学附属第一医院，江苏 苏州 215006
2 温州医科大学附属第一医院，浙江 温州 325000
3 华东师范大学多维度信息处理上海市重点实验室，上海 200241
4 温州医科大学，浙江温州 325035
5 中国科学院上海技术物理研究所红外物理国家重点实验室，上海 200083
生物材料的显微高光谱成像分析技术是生物光谱学研究的前沿.烧伤、深度创伤病人治疗过程中，需要确定移植于患者创面的真皮替代物有没有进入正常的血管化进程，这是评价填充修复材料优劣的关键，也是患者创面恢复的重要指标.提出并实现了一种基于G-SA-SVM的快速血管化鉴别方法.该方法以显微高光谱成像技术为基础，首先对采集的高光谱数据进行光谱维和空间维的空白校正处理，然后对数据进行特征自适应性Gamma校正，最后利用模拟退火优化参数的支持向量机算法(SA-SVM)进行识别处理，有效定位红细胞，进而快速定位血管.实验结果表明，本文提出的G-SA-SVM算法误判率更低，识别精度更高，可以用于微血管新生的评价和鉴定.
血管化 显微高光谱成像 校正 vascularization process microscopic hyperspectral imaging correction G-SA-SVM G-SA-SVM
1 华东师范大学 信息科学技术学院,上海 200062
2 中国科学院上海技术物理研究所,上海 200083
3 中国科学院上海生命科学研究院健康科学中心,上海 200030
使用自行研制的推帚式显微高光谱成像系统采集了正常、白血病人血液涂片的显微高光谱图像数据。通过对正常、白血病人血液显微高光谱数据进行处理,获得了人血液的单波段图像,并提取了部分血液细胞的典型透射率光谱曲线。分析这些曲线发现,病变细胞透射率普遍高于正常细胞,特别是在541.3nm附近透射率高出了50%左右。通过对血液涂片的图像和光谱特征进行分析表明,经过一定的改进,可以将显微高光谱成像系统作为一种新的检测手段,辅助医学研究人员对人血液进行分析。
显微高光谱成像 光谱 血细胞 白血病 microscopic hyperspectral imaging spectrum blood cell leukaemia
