【技术实现步骤摘要】
本专利技术涉及高光谱图像处理，尤其涉及一种基于高光谱图像的早期肿瘤组织识别系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、肿瘤作为当下威胁人体健康的主要原因，肿瘤患者早期通常无明显临床症状，当真正筛查出恶性肿瘤时，往往已经发展到了中期或晚期，有些患者体内的肿瘤甚至已经扩散。因此肿瘤早筛对于肿瘤的预防和治疗具有非常重要的意义。
3、目前大多数所采用的肿瘤早筛方法为血液检测肿瘤标志物的方法，也就是检验患者血液中的癌胚抗原和甲胎蛋白等，但是这种方法已经呈现出其传统的局限性，绝大多数的肿瘤标志物在早期的变化并不明显，而且对于肾癌、甲状腺癌等癌症没有明显的肿瘤标志物，因此对于肿瘤早筛还需要更加精准的方法。
4、高光谱成像技术现被广泛用于图像分类任务中，而传统的高光谱成像在进行图像分类的过程中需要训练大量的数据集，不仅费时费力，且由于肿瘤早期图像数据样本数量不够丰富，特征不够明显的特点，传统利用卷积神经网络对肿瘤高光谱图像进行早筛的效果并不理想。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的是提供一种基于高光谱图像的早期肿瘤组织识别系统，采取半监督式学习与cnn结合的方式，使用迁移学习辅助cnn训练，降低了训练cnn所需数据集的同时也提高了识别的准确度，解决了训练卷积神经网络需要大量数据集的问题。
2、为了实现上述目的，本专利技术是通过如下的技术方案来实现：
3、本
4、图像获取模块，被配置为扫描未染色的病理组织切片，得到高光谱图像；
5、环境光捕获模块，被配置为捕获环境光特征，并对环境光特征进行预处理；
6、特征提取模块，被配置为提取高光谱图像的肿瘤组织特征区域并对肿瘤组织特征区域进行标注；
7、图像处理模块，被配置为利用肿瘤组织特征区域减去预处理后的环境光特征以消除环境光影响，对消除环境光影响后的肿瘤组织特征区域进行预处理和光谱波段优选，得到选择的特征波段；
8、模型训练模块，将选择的特征波段通过半监督式聚类算法进行初步训练，得到聚类后的像素数据，聚类后的像素数据通过迁移学习训练不同维度卷积神经网络模型；选取每个维度错误率最低的模型作为肿瘤组织识别模型组成肿瘤组织识别模型；
9、肿瘤识别模块，被配置为采用肿瘤组织识别模型对肿瘤组织进行识别。
10、进一步的，采用线扫描高光谱相机，使用荧光光谱成像的技术对未染色的病理组织切片进行扫描得到带有高光谱信息的高光谱图像。
11、进一步的，放置纯白色漫反射参照物，捕获参照物的高光谱特征作为环境光特征。
12、进一步的，对环境光特征进行预处理的具体步骤为：利用dbscan算法对环境光特征的采样区域隔点进行图像去噪处理。
13、进一步的，提取高光谱图像肿瘤组织特征区域并对肿瘤组织特征区域进行标注的具体步骤为：
14、根据肿瘤组织特征划定高光谱图像的特定区域作为肿瘤组织特征区域；
15、提取肿瘤组织特征区域像素点的一维数据，并统计像素点个数；
16、对像素点的一维数据进行标签标注。
17、进一步的，对消除环境光影响后的肿瘤组织特征区域进行预处理和光谱波段优选的具体步骤为：
18、采用小波拟合方法获得肿瘤组织特征区域整个光谱波段的导数光谱；
19、对导数光谱进行数据标准化操作；
20、选择导数光谱中最优的光谱波段作为特征波段。
21、更进一步的，采用小波拟合方法获得肿瘤组织特征区域整个光谱波段的导数光谱的具体步骤为：
22、首先利用窗口移动将肿瘤组织特征区域的光谱曲线划分为多个小光谱波段；然后用多项式方程对每个小光谱波段进行拟合，对小光谱波段拟合后的函数进行求导，得到了中心点的导数，根据所有小波段中心的导数得到整个光谱波段的导数光谱。
23、进一步的，将选择的特征波段通过半监督式聚类算法进行初步训练的具体步骤为：
24、以选择的特征波段作为输入对半监督式的k均值聚类模型进行搭建；
25、根据标注的特征区域采用k均值聚类算法进行初步训练，得到得到k均值聚类后的像素数据。
26、进一步的，聚类后的像素数据通过迁移学习训练不同维度卷积神经网络模型的具体步骤为：
27、将聚类后的像素数据作为源域，基于标注的肿瘤标签进行迁移学习；
28、将源域和目标域的特征迁移变换到相同的空间中，得到不同特征的光谱数据；
29、根据不同光谱数据的特征训练不同维度卷积神经网络模型，选取每个维度错误率最低的模型作为肿瘤组织识别模型组成肿瘤组织识别模型。
30、更进一步的，根据不同光谱数据的特征训练不同维度卷积神经网络模型，选取每个维度错误率最低的模型作为肿瘤组织识别模型组成肿瘤组织识别模型的具体步骤为：
31、获取每一类特征包含像素点的个数：
32、将每一类的像素点数减去像素点总数乘以当前维度卷积神经网络模型错误率，得到像素点数值；
33、根据像素点数值筛选出每个维度最佳卷积神经网络模型作为肿瘤组织识别模型进行肿瘤组织识别。
34、以上一个或多个技术方案存在以下有益效果：
35、本专利技术公开了一种基于高光谱图像的早期肿瘤组织识别系统，不需要复杂的标本制作，且无需进行相应标本的染色，只需要获取相关高光谱图像，大大减少了诊断操作的时间，且降低了染色标本。
36、本专利技术采取半监督式学习和cnn卷积神经网络结合的算法进行分类，大大提高了肿瘤早筛的准确度，降低误诊漏诊的可能，在分类过程中使用迁移学习辅助cnn的训练，降低了训练cnn所需数据集来快速训练cnn，解决了训练卷积神经网络需要大量数据集的问题。本专利技术采取不同维度的神经网络的算法分别对原三维图像以及三维图像处理过后得到的一维和二维图像分别进行处理，提高了模型的泛化能力和鲁棒性，不同维的信息更加丰富，增加了数据多样性，降低训练难度及成本，大大提高了肿瘤早筛的准确度，降低误诊漏诊的可能。
37、本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于高光谱图像的早期肿瘤组织识别系统，其特征在于，包括：图像获取模块，被配置为扫描未染色的病理组织切片，得到高光谱图像；
2.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，采用线扫描高光谱相机，使用荧光光谱成像的技术对未染色的病理组织切片进行扫描得到带有高光谱信息的高光谱图像。
3.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，放置纯白色漫反射参照物，捕获参照物的高光谱特征作为环境光特征。
4.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，对环境光特征进行预处理的具体步骤为：利用DBSCAN算法对环境光特征的采样区域隔点进行图像去噪处理。
5.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，提取高光谱图像肿瘤组织特征区域并对肿瘤组织特征区域进行标注的具体步骤为：
6.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，对消除环境光影响后的肿瘤组织特征区域进行预处理和光谱波段优选的具体步骤为：
7.如权
8.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，将选择的特征波段通过半监督式聚类算法进行初步训练的具体步骤为：
9.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，聚类后的像素数据通过迁移学习训练不同维度卷积神经网络模型的具体步骤为：
10.如权利要求9所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，根据不同光谱数据的特征训练不同维度卷积神经网络模型，选取每个维度错误率最低的模型作为肿瘤组织识别模型组成肿瘤组织识别模型的具体步骤为：
...【技术特征摘要】
1.一种基于高光谱图像的早期肿瘤组织识别系统，其特征在于，包括：图像获取模块，被配置为扫描未染色的病理组织切片，得到高光谱图像；
2.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，采用线扫描高光谱相机，使用荧光光谱成像的技术对未染色的病理组织切片进行扫描得到带有高光谱信息的高光谱图像。
3.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，放置纯白色漫反射参照物，捕获参照物的高光谱特征作为环境光特征。
4.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，对环境光特征进行预处理的具体步骤为：利用dbscan算法对环境光特征的采样区域隔点进行图像去噪处理。
5.如权利要求1所述的基于高光谱图像的早期肿瘤组织识别系统，其特征在于，提取高光谱图像肿瘤组织特征区域并对肿瘤组织特征区域进行标注的具体步骤为：
6...
【专利技术属性】
技术研发人员：李玮，杨博文，雷晟暄，安皓源，赵晗竹，张伟师，韩景泓，张彦霖，顾夏铭，刘一飞，
申请(专利权)人：山东大学，
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。