【技術實現步驟摘要】
本專利技術涉及醫學檢測。更具體地說，本專利技術涉及一種基于iccd和光纖式門控的拉曼光譜系統應用方法及系統。
技術介紹
1、癌癥是目前人類所面對的共同難題。而癌癥的早期診斷對于提高治療效果和患者生存率至關重要。傳統的組織病理學檢測方法通常需要手術活檢或穿刺活檢，這些方法具有侵入性，可能導致并發癥，且耗時較長。
2、當然的，現有技術中，也有采用非侵入性的檢測，如對某些部位(如乳腺)的檢測采用影像(如超聲等)技術實現，如專利申請號為202110038828.6，專利名稱為基于影像組學定性算法構建癌癥臨床指標評估系統，用于對癌癥的早期診斷、預后及藥效亞型提供無創、精準以及非主觀性的判斷，但該技術存在的問題在于：該系統只能通過提取多種影像特征實現腫瘤形態學判斷，而腫瘤具有很強的異質性，在形態學上會有多種表現，影像組學從一個維度來分析，難以全面準確地反映腫瘤的分子生物學特征、免疫學特征等，從而影響診斷的準確性。
3、另外，也有一些部分采用試紙類的產品來實現對癌癥的判斷，如申請號為：202211408042.x，專利名稱為一種胃癌診斷產品和診斷模型，其用于對早期胃癌的診斷，具有非常高的靈敏度和特異度，可將其用于胃癌的早期篩查，以此降低胃癌死亡率，但其存在的問題在于：該試紙類產品為體外診斷產品，無法做到實時監測，也無法精準定位癌變組織的位置，還需借助其他檢測手段進一步確認。
4、而拉曼光譜技術作為一種非侵入性的分子成像技術，可以從分子水平上分析癌變細胞中蛋白質、脂類、核酸等成分的相對含量和分布，對腫瘤異質性
技術實現思路
1、本專利技術的一個目的是解決至少上述問題和/或缺陷，并提供至少后面將說明的優點。
2、為了實現本專利技術的這些目的和其它優點，提供了一種基于iccd和光纖式門控的拉曼光譜系統應用方法，包括：
3、s1、控制單元切換激光光源的工作狀態，以產生激發目標組織拉曼信號的激光；
4、s2、所述激光通過柔性光纖探頭到達待檢測部分，控制單元切換門控單元和iccd探測器的工作狀態，以通過光纖探頭采集目標組織的拉曼光譜信號；
5、s3、所述控制單元將采集到的拉曼光譜信號輸出至光譜分析模塊，光譜分析模塊基于內置的深度學習模型對采集拉曼光譜信號進行處理，以對采集組織的惡性程度進行分析評估；
6、s4、控制單元對光譜分析模塊的處理結果進行輸出和/或顯示。
7、優選的是，在s2中，所述采集目標組織的拉曼光譜信號的方法為：在待采集組織的預定的區域范圍內，隨機選取10個點采集拉曼光譜，且每點采集時間至少保持10秒。
8、優選的是，在s2中，所述門控單元用于控制iccd的曝光時間，以保證iccd的快門速度500ps，門寬5ns。
9、優選的是，在s3中，所述深度學習模型的獲取方式包括：
10、s30、對采集到的拉曼光譜信號進行預處理、特征提取得到采集組織成分光譜；
11、s31、通過神經網絡模型學習基本成分的標準拉曼光譜，并將采集組織成分光譜、正常組織光譜作為神經網絡模型的訓練數據進行訓練；
12、采用訓練后的神經網絡模型分析采集組織成分光譜中基本成分的貢獻程度，以給出組織中基本成分的比例關系；
13、s32、基于拉曼光譜數據的特點，構建基于卷積神經網絡和長短期記憶網絡的融合式神經網絡模型并訓練，以通過交叉驗證方法評估神經網絡模型的性能，進而對卷積神經網絡和長短期記憶網絡的權重w1和權重w2分別進行賦值，以得到訓練好的深度學習模型；
14、其中，所述基本成分包括dna、脂肪、組蛋白、膠原蛋白、肌動蛋白。
15、優選的是，在s3中，訓練好的深度學習模型壓縮后部署在光譜分析模塊上，以實現對采集的拉曼光譜數據進行實時分析和反饋。
16、優選的是，在s30中，所述預處理包括：對采集到的拉曼光譜進行降噪、基線校正、歸一化和光譜畸變校正操作。
17、所述特征提取的方法包括：
18、s301、從多個維度提取預處理后的拉曼光譜信號圖中的有效特征信息；
19、s302、基于連續小波變換的譜峰特征提取算法從有效特征信息提取對腫瘤診斷具有生物學意義的關鍵信息，進而得到譜峰特征數據；
20、其中，所述有效特征信息是指特征譜峰片段，以通過特征譜峰片段來表征對腫瘤診斷具有生物學意義的譜峰歸屬；
21、所述關鍵信息包括特征譜峰片段中譜峰的峰位、峰強和峰寬。
22、優選的是，在s301中，通過如下特征譜峰片段來對腫瘤診斷具有生物學意義的譜峰歸屬進行表征：
23、通過616-626cm-1的特征譜峰片段表征酰胺iv；
24、通過637-647cm-1的特征譜峰片段表征c-s伸縮振動；
25、通過785-795cm-1的特征譜峰片段表征dna；
26、通過855-865cm-1的特征譜峰片段表征脂質；
27、通過998-1008cm-1的特征譜峰片段表征苯丙氨酸；
28、通過1075-1085cm-1的特征譜峰片段表征dna；
29、通過1235-1245cm-1的特征譜峰片段表征酰胺ⅲ；
30、通過1318-1328cm-1的特征譜峰片段表征ch形變振動；
31、通過1444-1454cm-1的特征譜峰片段表征ch2彎曲振動；
32、通過1547-1557cm-1的特征譜峰片段表征酰胺ii；
33、通過1611-1621cm-1的特征譜峰片段表征色氨酸；
34、通過1664-1674cm-1的特征譜峰片段表征胺i。
35、優選的是，在s31中，訓練神經網絡模型以確定組織中基本成分比例關系的方式為：
36、s310、通過下式獲取模擬組織光譜s：
37、s＝a0s0+a1s1+a2s2+a3s3+a4s4+a5s5
38、上式中，s0是正常組織光譜，s1-s5分別是dna、脂質、組蛋白、膠原蛋白、肌動蛋白的光譜，且a0-a5分別為正常組本文檔來自技高網...
【技術保護點】
1.一種基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，包括：
2.如權利要求1所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S2中，所述采集目標組織的拉曼光譜信號的方法為：在待采集組織的預定的區域范圍內，隨機選取10個點采集拉曼光譜，且每點采集時間至少保持10秒。
3.如權利要求1所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S2中，所述門控單元用于控制ICCD的曝光時間，以保證ICCD的快門速度500ps，門寬5ns。
4.如權利要求1所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S3中，所述深度學習模型的獲取方式包括：
5.如權利要求4所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S3中，訓練好的深度學習模型壓縮后部署在光譜分析模塊上，以實現對采集的拉曼光譜數據進行實時分析和反饋。
6.如權利要求4所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S30中，所述預處理包括：對采集到的拉曼光譜進行降噪
7.如權利要求6所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S301中，通過如下特征譜峰片段來對腫瘤診斷具有生物學意義的譜峰歸屬進行表征：
8.如權利要求6所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S31中，訓練神經網絡模型以確定組織中基本成分比例關系的方式為：
9.如權利要求4所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法，其特征在于，在S32中，所述融合式神經網絡模型是基于Boosting模型完成卷積神經網絡和長短期記憶網絡的融合，且融合式神經網絡模型的輸出F通過下式得到：
10.一種拉曼光譜檢測系統，其應用于如權利要求1-9任一項所述的基于ICCD和光纖式門控的拉曼光譜系統應用方法中，其特征在于，包括：
...【技術特征摘要】
1.一種基于iccd和光纖式門控的拉曼光譜系統應用方法，其特征在于，包括：
2.如權利要求1所述的基于iccd和光纖式門控的拉曼光譜系統應用方法，其特征在于，在s2中，所述采集目標組織的拉曼光譜信號的方法為：在待采集組織的預定的區域范圍內，隨機選取10個點采集拉曼光譜，且每點采集時間至少保持10秒。
3.如權利要求1所述的基于iccd和光纖式門控的拉曼光譜系統應用方法，其特征在于，在s2中，所述門控單元用于控制iccd的曝光時間，以保證iccd的快門速度500ps，門寬5ns。
4.如權利要求1所述的基于iccd和光纖式門控的拉曼光譜系統應用方法，其特征在于，在s3中，所述深度學習模型的獲取方式包括：
5.如權利要求4所述的基于iccd和光纖式門控的拉曼光譜系統應用方法，其特征在于，在s3中，訓練好的深度學習模型壓縮后部署在光譜分析模塊上，以實現對采集的拉曼光譜數據進行實時分析和反饋。
6.如權利要求4所述...
【專利技術屬性】
技術研發人員：莫文博，周民杰，祁道健，趙宗清，王新明，唐烽，倪爽，
申請(專利權)人：中國工程物理研究院激光聚變研究中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。