【技术实现步骤摘要】
一种食管癌组织红外光谱分类方法
[0001]本专利技术涉及智慧医疗
，尤其涉及一种食管癌组织红外光谱分类方法。
技术介绍
[0002]傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy，FTIR)是由检测样本分子对某些波长的红外线吸收而产生的，具有扫描速度快、分辨率高、样品制备简单、灵敏度高等显著特点，广泛应用于生物样品中包括核酸、蛋白质、脂类和碳水化合物的表征，特别是最近广泛的应用于癌症诊断领域FTIR光谱通过分析不同阶段癌症组织或体液中生物化学成分差别而达到诊断目的，但是往往这些差别较小，很难从光谱上直观察觉到，需要借助于化学计量学和机器学习算法进行分类识别。因此经常通过机器学习的方法测定来判定癌症组织的变异情况。
技术实现思路
[0003]技术目的：针对现有技术中光谱结果上难以对组织进行准确分类的缺陷，本专利技术公开了一种食管癌组织红外光谱分类方法，本专利技术构建一维卷积神经网络，实现对红外光谱数据的分类，同时对同一个特征数据采用不同大小的卷积核，从...
【技术保护点】
【技术特征摘要】
1.一种食管癌组织红外光谱分类方法，其特征在于：包括以下步骤：S1、获取训练数据集：获取若干组织样本，采集组织样本的红外光谱文本数据并进行数据处理，得到训练数据集；S2、模型构建及训练：构建一维卷积神经网络，根据步骤S1得到的训练数据集，结合Adam优化器对一维卷积神经网络完成训练；S3、数据分类：将待分类的食管癌组织的红外光谱文本数据通过步骤S1进行处理，输入至步骤S2中训练后的一维卷积神经网络，输出分类结果供人员参考。2.根据权利要求1所述的一种食管癌组织红外光谱分类方法，其特征在于：所述步骤S2中Adam优化器的学习率learning_rate初始值设置为le
‑
3，为了提高一维卷积神经网络的收敛速度，前5轮采用初始值固定学习率，从第6轮开始学习率按训练轮数增长指数级递减，学习率随训练轮数变化计算公式为：其中，r为学习率初始值，a为指数递减因子，epoch为训练轮数；经过反复实验，r＝le
‑
3，a＝0.01时能取得较好的训练效果。3.根据权利要求1所述的一种食管癌组织红外光谱分类方法，其特征在于：步骤S2中结合Adam优化器对一维卷积神经网络完成训练还包括：对损失函数进行监测，采用类别交叉熵作为损失函数，通过早期停止策略以防止过拟合，首先将epoch即训练迭代次数设置为150，然后监视训练数据集中验证集的准确性，当验证集的准确性在20个epoch内没有提高时，则提前终止训练，并以监测周期内的最佳参数作为模型的最终参数，g(x)为识别准确率函数，计算公式为：|g
max
(x)
‑
g
min
(y)|≤0.001x，y∈[m，m+20]m∈[0，Epoch
max
]其中，g
max
(x)为最大识别率，g
min
(y)为最小识别率，Epoch
max
为最大迭代次数。4.根据权利要求1所述的一种食管癌组织红外光谱分类方法，其特征在于：所述步骤S1包括：S11、数据采集：采集若干组织样本连续切片，按照正常、增殖、低级别瘤变、高级别瘤变、癌5个类别进行标记，通过光谱仪和显微镜采集FTIR光谱；S12、采用正态分布图法对FTIR光谱进行数据清洗，删除噪声大的异常数据；先对每个FTIR光谱数据采用均值替代原始红外光谱数据，再通过正态分布图法删去落在均值正负2倍标准差之外的均值数据，得到清洗后的FTIR光谱，最后对清洗后的FTIR光谱归一化处理，得到训练数据集。5.根据权利要求4所述的一种食管癌组织红外光谱分类方法，其特征在于：所述对每个FTIR光谱数据采用均值替代原始红外光谱数据，其计算公式为：
其中p
i
为一维的光谱数据，n为一维光谱数据的长度，t为处理后的每个样本数据。6.根据权利要求4所述的一种食管癌组织红外光谱分类方法，其特征在于：所述通过正态分布图法删去落在均值正负2倍标准差之外的均值数据，其计算公式为：其中，μ为t的均值，...
【专利技术属性】
技术研发人员：王伟，李源，齐万华，李金广，吴昊，梁艳美，国秀丽，
申请(专利权)人：安阳工学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。