论文部分内容阅读
随着近几年高光谱成像技术以及精准医学理论的迅速发展,将高光谱技术应用于近距离的医学诊断成为新的研究趋势。以显微高光谱技术为基础,结合光谱特征分析和深度学习方法,可以为医学病理诊断提供更多辅助信息,为生物组织学提供更精细的光谱特征。因此,本文以显微高光谱技术为切入点,详细阐述了显微高光谱成像系统、标准化数据采集流程、显微高光谱数据预处理与分析方法。以胃癌病理组织切片为例,深入研究了基于卷积神经网络和迁移学习模型的分类性能,并提出了一套完整的图谱联合分类诊断方法。同时将显微高光谱技术应用于高光谱虚拟染色、细菌微生物检测和黑色素瘤诊断等研究领域,体现了广阔的应用前景和研究价值。本文的主要研究成果和创新点如下:(1)基于显微高光谱成像技术的标准化数据采集流程与预处理方法。包括切片样本制作与标记、数据采集、实验样本提取、光谱数据预处理和光谱分析等。根据本文实验采用显微高光谱成像系统的仪器特点,以及采集的高光谱显微图像中独特的纹理结构,提出了最佳的数据预处理和可视化方案,用于后期高效的模型判别与病理分析。同时对于显微高光谱成像系统与数据采集系统进行了详细阐述。(2)建立了30例胃癌患者的显微高光谱数据库,并基于此数据库构建卷积神经网络模型。对于胃癌组织与正常组织的细微光谱差异,利用1D-CNN模型进行光谱特征提取,重点研究了1D-CNN应用于胃癌高光谱的最佳模型结构及参数,包括卷积层数、池化类型、全连接层神经元个数等对模型性能的影响,最终分类准确率达到了94.39%。同时对胃癌组织光谱特征的个体差异化进行研究,并与医学特征进行了对比分析。(3)基于多维卷积神经网络与迁移学习模型的肿瘤组织分类诊断方法。针对病理组织纹理结构复杂以及细节信息丰富的特点,利用2D-3D CNN模型将提取到的深层光谱特征与细胞空间特征有机结合,将分类准确率提高到了97.57%。针对医学高光谱训练样本相对有限的特点,利用胃癌数字病理切片的公开数据集建立基于VGG-16的预训练模型,首次将迁移学习应用于胃癌高光谱的分类问题中,充分学习了显微病理组织的先验知识。在此基础上整合数据预处理、光谱分析以及一维与多维CNN分类模型,提出了高效的图谱联合分类诊断模型。(4)基于图谱联合分类诊断模型的显微高光谱技术应用。将显微高光谱技术应用于更多生物医学领域,首先针对传统病理诊断中耗时耗力的染色过程,采用非监督光谱标记结合单谱段形态学信息的方法,实现了对未染色切片的高光谱虚拟染色。同时还对各类病原菌、皮肤黑色素瘤、肝癌组织与大熊猫毛发的显微高光谱特征进行了研究,实现了多领域应用创新,并为其他组织器官与生物样本的相关研究提供了借鉴方法。