【技术实现步骤摘要】
本专利技术实施例涉及光学检测领域，尤其涉及一种检测方法及系统、设备以及存储介质。
技术介绍
1、宫颈癌、卵巢癌、子宫内膜癌是女性生殖系统最为常见的三大恶性肿瘤，早期发现和干预治疗能极大地提高生存率。
2、宫颈癌的早期筛查技术主要是液基薄层细胞学检查(thinprep cytologic test，tct)和人乳头瘤病毒(human papillomavirus，hpv)dna的联合筛查。其中，tct的临床检查步骤依次为宫颈脱落细胞取样、制片、固定、染色、封片，随后利用光学显微镜对细胞拍照获得图像，专业医生依据图像中细胞形态、细胞核与胞浆占比等，结合分级系统给出细胞学诊断。hpv dna则为对脱落细胞保存液进行dna提纯，以寻找hpv dna序列。但以上方式存在诸多问题，如tct检查需专业医生对每位病例检查成千上万个细胞，工作量巨大，且依赖于人工读片，判断较为主观，可能受到医生个人经验判断的影响，导致诊断的敏感性降低。hpvdna检测耗时长，且大多数hpv感染者可能通过自身免疫力在1～2年内清除病毒，无需治疗，但需要持续随访。由于受到其它病毒或激素因素的影响，联合筛查方式很容易出现假阳性的结果，而在临床中若患者的细胞学异常或hpv存在高危型病毒时，医生会建议进行组织病理活检，这会使得患者诊断时间延长、治疗费用增多且接受不必要的有创检查，给患者的身体和心理带来痛苦。
3、卵巢癌和子宫内膜癌均缺乏有效的早期筛查方式，目前主要通过经腹或经阴道超声、影像学检查、血液肿瘤标志物检查等方式进行临床筛查，但经阴道超声只能
4、因此，亟需一种敏感性高、可靠的无创检测方法，提高检测的效率和准确性，适用于大范围筛查或对癌症治疗过的病人长期随访。
技术实现思路
1、本专利技术实施例解决的问题是提供一种检测方法及系统、设备以及存储介质，提高检测的效率和准确性。
2、为解决上述问题，本专利技术实施例提供一种检测方法，包括：构建样本数据集，所述样本数据集由多个检测样本对应的样本数据构成，所述样本数据包括荧光寿命数据；所述样本数据集包括训练组数据和验证组数据；对所述样本数据集进行特征提取处理，获得检测样本的特征信息，所述特征信息包括荧光寿命特征；其中，与所述训练组数据对应的特征信息作为第一特征信息，与所述验证组数据对应的特征信息作为第二特征信息；基于所述第一特征信息，对所述训练组数据进行聚类处理，获得聚类模型；基于所述第二特征信息和所述聚类模型，获得所述验证组数据的每个检测样本的分类标签；基于所述分类标签，获得检测结果。
3、相应的，本专利技术实施例还提供一种检测系统，包括：数据构建模块，用于构建样本数据集，所述样本数据集由多个检测样本对应的样本数据构成，所述样本数据包括荧光寿命数据；所述样本数据集包括训练组数据和验证组数据；特征提取模块，用于对所述样本数据集进行特征提取处理，获得检测样本的特征信息，所述特征信息包括荧光寿命特征；其中，与所述训练组数据对应的特征信息作为第一特征信息，与所述验证组数据对应的特征信息作为第二特征信息；聚类模块，用于基于所述第一特征信息，对所述训练组数据进行聚类处理，并获得聚类模型；预测模块，用于基于所述第二特征信息和所述聚类模型，获得所述验证组数据的每个检测样本的分类标签；判断模块，用于基于所述分类标签，获得检测结果。
4、相应的，本专利技术实施例还提供一种设备，包括至少一个存储器和至少一个处理器，所述存储器存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现本专利技术实施例提供的检测方法。
5、相应的，本专利技术实施例还提供一种存储介质，其特征在于，所述存储介质存储有一条或多条计算机指令，所述一条或多条计算机指令用于实现本专利技术实施例提供的检测方法。
6、与现有技术相比，本专利技术实施例的技术方案具有以下优点：
7、本专利技术实施例提供的检测方法，在构建样本数据集的步骤中，所述样本数据集由多个检测样本对应的样本数据构成，所述样本数据包括荧光寿命数据；且在对样本数据集进行特征提取处理的步骤中，所获得的特征信息包括荧光寿命特征，之后基于第一特征信息，对所述训练组数据进行聚类处理，获得聚类模型，随后基于所述第二特征信息和所述聚类模型，获得验证组数据的每个检测样本的分类标签，从而能够利用无监督学习的方式，对训练组数据进行聚类分析、以及对验证组数据进行预测，无需依赖人工对检测样本进行标注，提高了检测的效率；并且，与对传统的光学显微图像进行分析相比，本专利技术实施例对荧光寿命数据进行聚类分析，荧光寿命能够体现细胞的新陈代谢状态，从而能够结合细胞的新陈代谢状态进行检测，有利于提高检测结果的准确性，减少假阳性和假阴性的概率。
8、本专利技术实施例提供的检测系统中，数据构建模块所构建的样本数据集由多个检测样本对应的样本数据构成，所述样本数据包括荧光寿命数据；且特征提取模块对样本数据集进行特征提取处理，所获得的特征信息包括荧光寿命特征，聚类模块基于第一特征信息，对所述训练组数据进行聚类处理，获得聚类模型，预测模块基于所述第二特征信息和所述聚类模型，获得验证组数据的每个检测样本的分类标签，从而能够利用无监督学习的方式，对训练组数据进行聚类分析、以及对验证组数据进行预测，无需依赖人工对检测样本进行标注，提高了检测的效率；并且，与对传统的光学显微图像进行分析相比，本专利技术实施例对荧光寿命数据进行聚类分析，荧光寿命能够体现细胞的新陈代谢状态，从而能够结合细胞的新陈代谢状态进行检测，有利于提高检测结果的准确性，减少假阳性和假阴性的概率。
本文档来自技高网...【技术保护点】
1.一种检测方法，其特征在于，包括：
2.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命图像；
3.如权利要求2所述的检测方法，其特征在于，基于所述荧光寿命图像，获得所述荧光寿命特征的步骤包括：将所述检测样本的荧光寿命图像输入至预训练卷积神经网络，获取荧光寿命图像的特征向量。
4.如权利要求3所述的检测方法，其特征在于，基于所述荧光寿命图像，获得所述荧光寿命特征的步骤还包括：对所述荧光寿命图像的特征向量进行降维处理，获得所述荧光寿命图像特征。
5.如权利要求4所述的检测方法，其特征在于，对所述荧光寿命图像的特征向量进行降维处理的方法包括主成分分析法、因子分析法或独立分量分析法。
6.如权利要求3所述的检测方法，其特征在于，所述预训练卷积神经网络包括：Alexnet、VGG16、Resnet、GoogLeNet或Inception。
7.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命值的统计信息；
8.如权利要求7所述的检测方法，其特征在于，对所述样本数据
9.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命值的统计信息；
10.如权利要求9所述的检测方法，其特征在于，基于所述荧光寿命值的统计信息，获得荧光寿命数值特征和细胞形态特征的步骤包括：对所述荧光寿命图像的灰度图进行分割处理，用于实现细胞核和细胞质的分割，获得分割掩膜图像；
11.如权利要求9所述的检测方法，其特征在于，基于所述荧光寿命数值特征和所述细胞形态特征，获得所述特征信息的步骤包括：对所述荧光寿命数值特征和所述细胞形态特征，进行特征组合和特征筛选中的任一种或两种处理，获得所述特征信息。
12.如权利要求11所述的检测方法，其特征在于，所述特征筛选的方法包括嵌入式方法、包裹式方法或滤除式方法。
13.如权利要求1所述的检测方法，其特征在于，对所述训练组数据进行聚类处理的算法包括K-means算法。
14.如权利要求1所述的检测方法，其特征在于，构建样本数据集的步骤包括：获取多个病例的检测样本，每个病例对应有多个检测样本；获得每个检测样本的数据，多个检测样本对应的数据构成所述样本数据集；
15.如权利要求1或9所述的检测方法，其特征在于，构建样本数据集的步骤包括：获取多个病例的检测样本，每个病例对应有多个检测样本；获得每个检测样本的所述荧光寿命数据、以及获取病例的临床数据，多个检测样本对应的荧光寿命数据、以及多个病例对应的临床数据用于构成所述样本数据集；
16.如权利要求15所述的检测方法，其特征在于，基于所述临床数据特征和所述荧光寿命特征，获得所述特征信息的步骤包括：对所述临床数据特征和荧光寿命特征，进行特征组合和特征筛选中的任一种或两种处理，获得所述特征信息。
17.如权利要求16所述的检测方法，其特征在于，所述特征筛选的方法包括嵌入式方法、包裹式方法或滤除式方法。
18.如权利要求15所述的检测方法，其特征在于，基于所述临床数据，获得临床数据特征的步骤包括：
19.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命图像；
20.一种检测系统，其特征在于，包括：
21.一种设备，其特征在于，包括至少一个存储器和至少一个处理器，所述存储器存储有一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-19任一项所述的检测方法。
22.一种存储介质，其特征在于，所述存储介质存储有一条或多条计算机指令，所述一条或多条计算机指令用于实现如权利要求1-19任一项所述的检测方法。
...【技术特征摘要】
1.一种检测方法，其特征在于，包括：
2.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命图像；
3.如权利要求2所述的检测方法，其特征在于，基于所述荧光寿命图像，获得所述荧光寿命特征的步骤包括：将所述检测样本的荧光寿命图像输入至预训练卷积神经网络，获取荧光寿命图像的特征向量。
4.如权利要求3所述的检测方法，其特征在于，基于所述荧光寿命图像，获得所述荧光寿命特征的步骤还包括：对所述荧光寿命图像的特征向量进行降维处理，获得所述荧光寿命图像特征。
5.如权利要求4所述的检测方法，其特征在于，对所述荧光寿命图像的特征向量进行降维处理的方法包括主成分分析法、因子分析法或独立分量分析法。
6.如权利要求3所述的检测方法，其特征在于，所述预训练卷积神经网络包括：alexnet、vgg16、resnet、googlenet或inception。
7.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命值的统计信息；
8.如权利要求7所述的检测方法，其特征在于，对所述样本数据集进行特征提取处理的步骤包括：基于所述荧光寿命值的统计信息，获得荧光寿命数值特征，用于作为所述荧光寿命特征。
9.如权利要求1所述的检测方法，其特征在于，所述荧光寿命数据包括荧光寿命值的统计信息；
10.如权利要求9所述的检测方法，其特征在于，基于所述荧光寿命值的统计信息，获得荧光寿命数值特征和细胞形态特征的步骤包括：对所述荧光寿命图像的灰度图进行分割处理，用于实现细胞核和细胞质的分割，获得分割掩膜图像；
11.如权利要求9所述的检测方法，其特征在于，基于所述荧光寿命数值特征和所述细胞形态特征，获得所述特征信息的步骤包括：对所述荧光寿命数值特征和所述细胞形态特征，进行特征组合和特征筛选中的任一种或两种处理，获得所述特征信息。
1...
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。