一种基于拉曼光谱的神经网络分类模型的构建方法及系统

技术特征：
1.一种基于拉曼光谱的神经网络分类模型的构建方法，应用于宫颈癌组织病变检测，其特征在于，包括：s10，对单隐藏层神经网络的网络结构进行初始化；s20，从数据库中选取将若干个训练样本，并按4:1的比例分为训练集和测试集，对所述单隐藏层神经网络进行训练；所述数据库包括宫颈各个部位的拉曼光谱图像数据；s30，根据激活函数计算隐含层各神经元节点输出的训练结果；s40，将所述训练结果与标准结果进行对比，并计算输出层偏差；s50，判断所述输出层误差是否小于或等于预设值；s601，若所述输出层偏差大于所述预设值，则对隐含层误差进行计算求解，得到输出层权值修正量、输出层阈值修正量、隐含层权值修正量和隐含层阈值修正量；s602，依次对当前输出层权值、当前输出层阈值、当前隐含层权值和当前隐含层阈值进行调整，并跳转至s30；s611，若所述输出层偏差小于或等于所述预设值，则停止循环计算，并保存当前输出层权值和当前隐含层权值，完成模型训练。2.根据权利要求1所述的基于拉曼光谱的神经网络分类模型的构建方法，其特征在于，对单隐藏层神经网络的网络结构进行初始化，包括：将最大迭代次数设置为1000；将隐节点数设置为6；将输出层初始权值、输出层初始阈值、隐含层初始权值和隐含层初始阈值设置为0～1之间的随机数；将初始学习速率范围设置为0.01～0.5。3.根据权利要求1所述的基于拉曼光谱的神经网络分类模型的构建方法，其特征在于，所述预设值设置的取值范围为0.00001～0.001。4.根据权利要求1所述的基于拉曼光谱的神经网络分类模型的构建方法，其特征在于，所述数据库的建立包括：对至少50例不同部位的宫颈组织进行拉曼光谱采集，得到至少1000个拉曼光谱图像数据；筛选出所有所述拉曼光谱图像数据中500cm-1
～2000cm-1
波段的第一数据集；对所述第一数据集并进行预处理，得到第二数据集；所述预处理包括基线修正拟合、曲线平滑以及归一化处理；对所述第二数据集中的拉曼光谱图像数据根据dna、脂肪和蛋白质的各自对应特征峰分布以及特征峰强度变化进行特征提取，并保存到所述数据库中；将疑似病变部位的组织病理学检查结果作为所述神经网络分类模型的标签来源，并保存到所述数据库中。5.根据权利要求4所述的基于拉曼光谱的神经网络分类模型的构建方法，其特征在于，对隐含层误差进行计算求解，得到隐含层误差梯度，包括：根据所述隐含层每个节点的输入、所述隐含层每个节点的输出、所述输出层每个节点的输入、所述输出层每个节点的输出和当前学习速率获取所有所述训练样本的总误差准则函数；
根据误差梯度下降法依次对当前输出层权值、当前输出层阈值、当前隐含层权值和当前隐含层阈值进行修正。6.一种基于拉曼光谱的神经网络分类系统，采用如权利要求1～5任一所述的基于拉曼光谱的神经网络分类模型，应用于宫颈癌组织病变检测，其特征在于，包括：探头，用于进行宫颈组织图像的在体采集；显示模块，用于显示所述宫颈组织图像；交互式标注工具模块，用于在所述显示模块中显示的所述宫颈组织图像上对异常组织图像区域进行突出显示标注；图像处理模块，用于对所述宫颈组织图像中突出显示标注的部分进行拉曼光谱采集，得到光谱图像；图像分析模块，通过基于拉曼光谱的神经网络分类模型对所述光谱图像进行分类，并在所述宫颈组织图像上进行病变标记。7.根据权利要求6所述的基于拉曼光谱的神经网络分类系统，其特征在于，所述显示模块为显示器或触摸屏。8.根据权利要求7所述的基于拉曼光谱的神经网络分类系统，其特征在于，交互式标注工具模块为鼠标或触控笔。9.根据权利要求6所述的基于拉曼光谱的神经网络分类系统，其特征在于，所述图像处理模块还被配置为：对所述宫颈组织图像中突出显示标注的部分进行第一次拉曼光谱采集，获取第一图像光谱；对所述第一图像光谱的特征峰进行分析，确定所述特征峰的合理区间；将处在所述合理区间内特征峰对应的所述图像光谱作为有效值，传输至所述图像分析模块。10.根据权利要求9所述的基于拉曼光谱的神经网络分类系统，其特征在于，对所述第一图像光谱的特征峰进行分析，确定所述特征峰的合理区间，包括：将所述第一图像光谱的特征峰与数据库中dna、脂肪和蛋白质的各自对应特征峰分布以及特征峰强度变化进行比对，实现所述第一图像光谱的生物组织分类。

技术总结
本发明实施例属于图像处理分析技术领域，公开了一种基于拉曼光谱的神经网络分类模型的构建方法及系统，应用于宫颈癌组织病变检测，其中系统包括：探头，用于进行宫颈组织图像的在体采集；显示模块，用于显示宫颈组织图像；交互式标注工具模块，用于在显示模块中显示的宫颈组织图像上对异常组织图像区域进行突出显示标注；图像处理模块，用于对宫颈组织图像中突出显示标注的部分进行拉曼光谱采集，得到光谱图像；图像分析模块，通过基于拉曼光谱的神经网络分类模型对光谱图像进行分类，并在宫颈组织图像上进行病变标记。对患处图像先进行异常区域选取，针对异常区域进行实时的无创检测，减少了计算量，提高分类算法的处理速度，能够缩短检测时间。够缩短检测时间。够缩短检测时间。


技术研发人员：张成龙 马晓鹏 刘洋 许金壮 齐亚飞 于德新
受保护的技术使用者：山东大学
技术研发日：2023.06.09
技术公布日：2023/9/13