【技术实现步骤摘要】
一种基于机器学习级联的拉曼光谱分子检测及成像装置
[0001]本专利技术涉及一种医疗技术，尤其是一种用于肿瘤诊断的医疗检测系统，具体地说是一种基于机器学习级联的拉曼光谱分子检及成像装置，它属于无标记、自发拉曼光谱分子检测及成像装置，本专利技术涉及多种机器学习算法，例如：坐标定位系统，等级聚类分析，支持向量机，相似性分析等。
技术介绍
[0002]肿瘤的分子病理诊断在现代医学中扮演着极其重要的角色。通过分析肿瘤细胞内的分子特征，可以更全面、精确地了解肿瘤的生物学行为和治疗敏感性，以及预测肿瘤的预后和复发风险，从而为患者提供更加个体化的治疗方案。然而，目前的分子病理诊断主要包括基因检测，免疫组织化学(immunohistochemistry,IHC)，荧光原位杂交(fluorescence in situ hybridization,FISH)等。因涉及染色体杂交或抗原抗体结合反应，上述技术存在步骤复杂、耗时长(2天左右)的缺陷。此外，因肿瘤的分子表达存在极强的异质性，即使同一块组织，分子表达也存在不一致的现象。因此，术后分子病...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习级联的拉曼光谱分子检测及成像装置，其特征是它包括：坐标定位模块，等级聚类分析模块，机器学习预测成像模块和相似性分析模块，通过该检测装置，只需输入无处理组织切片任意位置的拉曼光谱，即可获得目标生物标记物的拉曼分子成像；其中：所述的坐标定位模块是首先采用定制的不锈钢载片作为基底，将无处理的速冻冰冻组织切片贴于不锈刚载片上，为了更好匹配坐标定位模块，一片组织贴于不锈钢载片上，相邻组织切片贴于普通载玻片上，保持两个组织切片的角度一致；对普通载玻片上的组织切片进行IHC染色；对不锈钢载片上的组织切片采用单独装的病理切片盒封装，存放于
‑
80度冰箱，以防止物质的内外交换而改变组织内物质性质；在IHC图像上寻找一个解剖标记点，标记彩色圆点作为参考点；选择感兴趣区(region of interest,ROI)，并用矩形或圆形等图形勾画出ROI；保留比例尺及数值，保存当前界面为bmp或其他格式的图像文件；上述图像输入坐标定位模块，将输入的RGB图像转换为灰度图像，并去除超过阈值的像素；利用findContours函数(OpenCV,python 3.6.5)在二值图像中检索轮廓，利用等高线索引，得到矩形框顶点的位置；在二值图像中检索彩色圆点定为原点(0，0)，根据原点建立横纵坐标系；在二值图像中检索右下角比例尺的长度和数值；边界框的顶点坐标可以通过距离和比例尺尺度计算，公式如下:例尺尺度计算，公式如下:其中x
v
,y
v
,x
p
,y
p
分别表示像素图像中矩形框的顶点v和原点p的位置，len(ruler)是比例尺的长度，x
d
和y
d
表示顶点的缩放坐标，当IHC图像与拉曼白光图像的角度不一致时，需调整两者角度一致；当采集拉曼光谱时，于共聚焦拉曼白光视野下，选择与IHC图像对应的解剖标记点，标记为原点(0，0)，根据上述矩形框坐标值选择ROI采集拉曼光谱；所述的等级聚类分析模块用于等级聚类分析(Hierarchical cluster analysis,HCA)，它用于识别和排除大型数据集中异常数据，HCA用来排除上述ROI内的其他分类的拉曼光谱，以获得不同分类的纯的拉曼光谱。为了能更准确的排除其他分类的拉曼光谱，事先对不同类别的细胞或标准蛋白采集标准拉曼光谱；根据不同类别的拉曼光谱特征峰，将HCA聚类树中其他类别排除，最终保留ROI内的目标生物标记物的拉曼光谱；所述的机器学习预测拉曼成像模块用于预测不同类别的拉曼光谱并获得拉曼预测成像；采用不同的机器学习方法，从复杂的拉曼光谱中提取有用信号，用于不同ROI的不同类别拉曼光谱进行分类；使用平均灵敏度、特异性和准确性指标在测试数据集上评估模型的性能的同时，生成多类别受试者特征曲线(Receiver characteristic curve,ROC)，并将ROC曲线下的面积(area under the curve,AUC)作为分类模型的度量指标以筛选最优分类效能的分类器用于后续机器学习预测的拉曼成像；根据IHC成像中不同细胞或目标生物标记物的染色颜色，对所述分类器的预测结果赋予相应的伪彩色，构建机器学习预测的拉曼成像，此外，根据不同分类类别的占比，计算出不同分类的比例评分；所述的相似性分析模块是指采用结构相似度(structural similarity，S...
【专利技术属性】
技术研发人员：卢光明，周清清，陈萌，郭景星，许强，汤黎明，李建瑞，蔡惠明，
申请(专利权)人：中国人民解放军东部战区总医院，
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。