[发明专利]基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法

说明书

本发明提出了一种基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法。首先采集肿瘤组织的傅里叶红外光谱；对肿瘤组织的红外光谱进行预处理；将红外光谱中的分子振动特征区融合为特征向量；将特征向量输入到学习向量化神经网络，构建肿瘤组织诊断模型。最后将待诊断肿瘤组织的特征向量输入到构建好的肿瘤诊断模型，即可得到待诊断肿瘤组织的诊断结果。本发明通过对肿瘤组织的红外光谱进行分析，能够快速、准确地对待检测组织做出诊断，具有一定的临床应用价值。

技术领域

本发明属于肿瘤组织诊断技术领域，具体地说是一种基于光谱融合和学习向量化神经网络的肿瘤组织诊断方法。

背景技术

恶性肿瘤严重威胁人类的健康和生命安全。据国际癌症研究机构调查，2018年内全球185个地区，共出现1810万癌症患者，960万人因癌症死亡。早发现早治疗是提高癌症治愈率的关键。目前，癌症的诊断手段包含肿瘤标志物筛查、影像学检查、病理学诊断等，其中，病理学诊断是诊断肿瘤的金标准。然而，病理学诊断操作过程繁琐，往往需要几天才能给出诊断结果，且易受人为因素干扰，因此，急需一种快速、准确的肿瘤组织诊断方法。

傅里叶红外光谱技术是一种能够从分子基团水平研究生物组织的技术。它能够通过组织内生物大分子基团的振动光谱变化来测定组织内生物大分子构象、数量的变化。早期肿瘤组织在影像学上尚未有明显的变化，但是在红外光谱已有变化。已有的利用傅里叶红外光谱技术研究肿瘤组织的工作多是研究单一分子基团特征峰的峰高、峰面积或者二者的比例与肿瘤恶性程度的关系。关于利用傅里叶红外光谱实现肿瘤组织诊断的技术还未见报道。

发明内容

本发明的目的是提供一种基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法，利用肿瘤组织的红外光谱，实现快速、准确的诊断肿瘤组织。本发明将组织内分子振动基团的所有光谱融合为一个特征向量，保留分子基团振动的有用信息，又丢掉了光谱测量范围内与生物分子基团无关的信息，结合光谱融合和学习向量化神经网络，完成肿瘤组织诊断的目的。

学习向量化神经网络算法是一种在有监督状态下训练竞争层的神经网络算法。与其他机器学习算法相比，学习向量化神经网络的优点在于结构非常简单，只通过内部单元的相互作用就可以完成十分复杂的分类处理，而且它不需要对输入向量进行归一化、正交化处理，只需要计算输入向量和竞争层之间的距离，即可实现分类的目的。

本发明通过以下技术方案实现：

一种基于红外光谱融合和学习向量化神经网络的肿瘤诊断方法，其特殊之处在于，包括以下步骤：

步骤1：利用傅里叶红外光谱仪获取肿瘤组织的红外吸收光谱；

步骤2：对肿瘤组织的红外吸收光谱进行预处理以降低肿瘤组织样品不平整或者厚度不均匀造成的误差，提高光谱信噪比；

步骤3：将预处理后红外吸收光谱中生物大分子振动特征区的光谱融合为特征向量；

步骤4：将特征向量输入学习向量化神经网络，构建基于学习向量化神经网络的肿瘤诊断模型；

步骤5：按照步骤1、2和3的处理方法将待诊断肿瘤组织处理后，得到待诊断特征向量，将待诊断特征向量输入到步骤4构建好的肿瘤诊断模型，即可得到待诊断肿瘤组织的诊断结果。

进一步地，步骤4的具体过程如下：

步骤4.1、初始化竞争层神经元i和输入层的神经元j之间的权值ω_ij及学习率η，η0，设定最大迭代次数；i、j均为自然数；

步骤4.2、计算输入的特征向量x＝(x₁,x₂,…,x_n)^T和竞争层神经元的距离：