CN106596507A - 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 - Google Patents
基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 Download PDFInfo
- Publication number
- CN106596507A CN106596507A CN201611178745.2A CN201611178745A CN106596507A CN 106596507 A CN106596507 A CN 106596507A CN 201611178745 A CN201611178745 A CN 201611178745A CN 106596507 A CN106596507 A CN 106596507A
- Authority
- CN
- China
- Prior art keywords
- neural network
- principal component
- data
- component analysis
- serum
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及光谱识别技术领域,是一种基于主成分分析‑BP神经网络的包虫病患者血清的光谱识别方法,其按下述步骤进行:第一步,分别吸取至少20名健康人和至少20名包虫病患者的血清,并将吸取的血清置于拉曼光谱仪中进行全波长扫描并进行采集数据;第二步,将采集的数据进行归一化处理;第三步,将进行归一化后的数据进行主成分分析,将主成分累计贡献率达到80%的所有主成分的得分作为BP神经网络的输入层节点。本发明采用基于主成分分析(PCA)和BP神经网络相结合的方法,建立了准确度较高的包虫病光谱诊断技术方案,诊断正确率高,操作方便,便于实施。
Description
技术领域
本发明涉及光谱识别技术领域,是一种基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法。
背景技术
包虫病是一种在世界范围内传播的人畜共患疾病,我国现有50万包虫病例,受威胁人口达六千六百万以上,尤其是新疆,平均每年手术治疗病例就在2000例以上。
目前包虫病的诊断方法主要有影像诊断,但是影像诊断方法最大的不足是仪器昂贵、操作费时,需专业人员操作,对于包虫病普查工作和一些非典型影像的病例带来很大的困难,而且不适用于基层和现场操作。另外,对于包虫病的诊断还发展出了一些基于血清的新方法,如免疫检测,但是免疫检测存在对血液标本的处理过程繁琐的问题。相对传统免疫检测对血液标本的繁琐处理过程,光谱技术由于具有实时、无破坏和原位鉴别诊断的优势,特别是针对疾病早期的诊断和鉴别。
目前,国内外研究员在血液光谱的研究中已经取得了不少重要成果,其中主要涉及红外光谱、荧光光谱和拉曼光谱,相比荧光光谱和红外光谱而言,拉曼光谱具有光谱信息丰富,对样本无需预处理和受组织内水分影响小等优点,同时其谱带相对窄,不易重叠,能够提供更多的样本信息,有利于分析,成为临床光谱技术的应用热点。
近年来,随着便携式拉曼光谱仪的快速发展,拉曼光谱在医学诊断中的应用日益增多,例如地中海贫血、糖尿病、恶性肿瘤的拉曼光谱技术诊断。此外,Narahara ChariDingari等通过对拉曼光谱数据进行不同的计算来研究侵袭性和原位性乳腺癌。LiShaoxin等通过多元统计方法和K近邻法来探讨应用于结肠癌诊断的可行性。周雪等对食管癌患者与健康人的血红蛋白表面拉曼光谱结合归一化和主成分分析进行统计分析,然而,将拉曼光谱技术应用于包虫病的临床诊断未见报道。
发明内容
本发明提供了一种基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法,克服了上述现有技术之不足,其能有效解决目前将拉曼光谱技术应用于包虫病的临床诊断未见报道的问题。
本发明的技术方案是通过以下措施来实现的:一种基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法,按下述步骤进行:第一步,分别吸取至少20名健康人和至少20名包虫病患者的血清,并将吸取的血清置于拉曼光谱仪中进行全波长扫描并进行采集数据;
第二步,将采集的数据进行归一化处理;
第三步,将进行归一化后的数据进行主成分分析,将主成分累计贡献率达到80%的所有主成分的得分作为BP神经网络的输入层节点;
第四步,输出节点数为1,经过实验分析对比,确定隐含层节点数,使用newff函数创建前馈神经网络,隐含层采用s型激活函数logsig,输出层采用线性激活函数purelin,训练函数采用trainlm,模型随机初始化后,输出神经元对健康人的输出值分别设定为1、输出神经元对包虫患者的输出值设定为2。
下面是对上述发明技术方案的进一步优化或/和改进:
上述根据BP神经网络隐含层采用s型激活函数logsig的要求输入参数分布在[0,1]之间,界定输入和输出值均在[0,1]的范围内,归一化算法采用公式:χi’=(χi-χmin)/(χmax-χmin),其中,χi为需要进行归一化处理的数据,χi’为归一化后的样本数据,χmin为χi中的最小值,χmax为χi中的最大值。
本发明采用基于主成分分析(PCA)和BP神经网络相结合的方法,建立了准确度较高的包虫病光谱诊断技术方案,诊断正确率高,操作方便,便于实施。
附图说明
图1为本发明的拉曼光谱归一化反射率。
图2为本发明的样本主成分1和主成分2得分。
具体实施方式
本发明不受下述实施例的限制,可根据本发明的技术方案与实际情况来确定具体的实施方式。本发明中所提到各种化学试剂和化学用品如无特殊说明,均为现技术中公知公用的化学试剂和化学用品;本发明中的百分数如没有特殊说明,均为质量百分数;本发明中的水如没有特殊说明,为自来水或纯净水;本发明中的溶液若没有特殊说明,均为溶剂为水的水溶液,例如,盐酸溶液即为盐酸水溶液;本发明中的常温一般指15℃到25℃的温度,一般定义为25℃。
下面结合实施例及附图对本发明作进一步描述:
实施例1,该基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法,按下述步骤进行:第一步,分别吸取至少20名健康人和至少20名包虫病患者的血清,并将吸取的血清置于拉曼光谱仪中进行全波长扫描并进行采集数据;拉曼光谱仪可以采用horiba公司的拉曼光谱仪,利用配套软件LabSpec 6进行采集数据;
第二步,将采集的数据进行归一化处理;为消除仪器在采集光谱时由光源干扰、采集方法等产生的噪声,需在分析前先对采集的原始数据进行预处理,本发明采用归一化预处理采集的原始数据以消除由光散射、样品不均匀等产生的影响;
第三步,将进行归一化后的数据进行主成分分析,将主成分累计贡献率达到80%的所有主成分的得分作为BP神经网络的输入层节点;如果将光谱数据直接作为变量输入神经网络进行建模,不仅会因变量太多而增加建模难度,而且会引入噪声而降低预测精度,数据经降维后,既能有效除噪,又能最大限度地保留原始数据的结构特征,从而提高样本计算效率,降低其所需空间,通常情况下当前面几个主成分的累积方差贡献率达到大于80%时,后面的主成分便可舍去;
第四步,输出节点数为1,经过实验分析对比,确定隐含层节点数,使用newff函数创建前馈神经网络,隐含层采用s型激活函数logsig,输出层采用线性激活函数purelin,训练函数采用trainlm,模型随机初始化后,输出神经元对健康人的输出值分别设定为1、输出神经元对包虫患者的输出值设定为2;本发明可以选用由MATLAB R2012b神经网络工具箱提供的mapminmax函数将输入数据和与之对应的输出数据进行归一化处理,使处理后数据全部落在[0,1]范围内,以去除噪声的干扰,提高拉曼信号的质量,然后再将归一化后的数据进行主成分分析。
实施例2,该根据BP神经网络隐含层采用s型激活函数logsig的要求输入参数分布在[0,1]之间,界定输入和输出值均在[0,1]的范围内,归一化算法采用公式:χi’=(χi-χmin)/(χmax-χmin),其中,χi为需要进行归一化处理的数据,χi’为归一化后的样本数据,χmin为χi中的最小值,χmax为χi中的最大值。
1、实验与方法
1.1血液样品及仪器
血液:随机取出诊断明确、资料完整的健康人38例,包虫病患者28例,由新疆医科大学第一附属医院提供。
仪器:实验使用horiba公司的拉曼光谱仪,测定波长范围101.298nm至3999.76nm,分辨率小于0.02nm,光源和光纤采用定制的激光光源及其配套光纤。利用配套软件LabSpec6
采用本发明的方法进行采集数据,采集到的数据通过USB口进入计算机。
1.2数据预处理
为消除仪器在采集光谱时由光源干扰、采集方法等产生的噪声,需在分析前先对原始数据进行预处理。本文采用归一化预处理光谱数据以消除由光散射、样品不均匀等产生的影响,且由于神经网络s型激活函数logsig要求输入参数分布在[0,1]之间,由此界定输入和输出值均在[0,1]的范围内。归一化算法采用公式:χi’=(χi-χmin)/(χmax-χmin),其中,χi为需要进行归一化处理的数据,χi’为归一化后的样本数据,χmin为χi中的最小值,χmax为χi中的最大值。
本发明可以选用由MATLAB R2012b神经网络工具箱提供的mapminmax函数将输入数据和与之对应的输出数据进行归一化处理,使处理后数据全部落在[0,1]范围内,以去除噪声的干扰,提高拉曼信号的质量。然后再将归一化后的数据进行主成分分析,将主成分累计贡献率达到80%的前两个主成分的得分作为BP神经网络的输入层节点。
2、实验结果与分析
2.1包虫病拉曼光谱图分析
包虫病患者与健康人的光谱图如图1所示,曲线1为健康人光谱曲线,曲线2为包虫病患者光谱曲线,横坐标为波长范围101.298nm至3999.76nm,纵坐标为光谱归一化反射率。在101nm至175nm和1801nm至2701nm波段中两类受试者的光谱曲线重叠比较严重,而在其他波段有明显差别,这为识别包虫病患者和健康人提供了一定的理论依据。
2.2主成分分析
本发明对采集到的66个受试者归一化后的拉曼光谱数据进行主成分分析,样本前7个主成分累计贡献率见表1.由表1可知,前2个主成分累计贡献率达87.1%,已经能够比较全面地反映样品信息,所以每个样品的光谱数据可以用前2个主成分代替。
图2为受试者前两个主成分得分图,图中横坐标表示样本的第一主成分的得分(PC1),纵坐标表示样本第二主成分的得分(PC2)。从图2可知健康人分布于负半轴,包虫病患者分布于正半轴,说明第一、第二主成分分量对于健康人与包虫病患者分类效果显著。
2.3BP神经网络模型
本发明采用反向传播(back-propagation,BP)神经网络模型,由于三层的BP神经网络可以实现从输入层到输出层的任意非线性映射,因此本文选用由一个输入层、一个隐含层、一个输出层构成的三层BP神经网络结构。
在101.298nm至3999.76nm波段内共采集了2708个波长的数据,如果将采集到的全部的光谱波段作为BP神经网络的输入,增加了神经网络的计算量,因此选取经主成分法得到的贡献率最大的前2个主成份的得分作为神经网络的输入节点,输出节点数为1,经过多次实验分析对比,确定隐含层节点数为7。使用newff函数创建前馈神经网络;隐含层采用s型激活函数logsig,输出层采用线性激活函数purelin,训练函数采用trainlm;网络训练迭代次数为10000次,并设置每50次显示1次误差,目标误差为0.00001,学习速率根据经验为0.05,其余训练参数为默认值;模型随机初始化。输出神经元对健康人、包虫患者的输出值分别设定为1、2.判别时以≤1.5者为健康人,其他为包虫病患者。从66个样品中随机选取健康人和包虫病患者各20个作为训练集样本,其余26例为预测集数据。运用MATLAB R2012b对样本数据进行训练和预测。
某次运行本发明的基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法进行训练测试的运行结果如表2所示:
表3所示为26个未知样本预测结果,其中1至9、18至26例为健康人,其真实值为1,10至17例为包虫病患者,其真实值为2。
从预测结果及表2可见,在26组测试集数据中,有两组数据被误诊断,其中1组将健康人误诊为包虫病患者,1组将包虫病患者误诊为健康人,其余都判断正确。结果表明:本发明的BP神经网络通过学***均诊断正确率达到了90.9722%。
本发明以健康人和包虫患者的光谱信号为研究对象,探讨了拉曼光谱分析技术在诊断包虫病中的应用。目前用于光谱分析建模的方法有很多,例如偏最小二乘法、支持向量机、人工神经网络等,其中由于人工神经网络具有学习性、容错性以及实时性,对非线性问题的拟合有着无可比拟的优势,使人工神经网络得到广泛应用。由于光谱数据较为复杂,且BP神经网络具有在样本数据过多时收敛速度降低甚至不收敛,易于陷入局部优化等固有缺陷,考虑到主成分分析方法能对样本数据进行主成分分析,这样不但降低了输入变量维数,也保留了原始数据信息,故本研究采用结合主成分分析的BP神经网络解决了单一的人工神经网络的上述问题。针对以上问题,本发明通过收集相当数量的健康人和包虫患者血清的拉曼光谱,采用基于主成分分析(PCA)和BP神经网络相结合的方法,建立了准确度较高的包虫病光谱诊断技术方案。
本发明通过采用基于主成分分析(PCA)和BP神经网络相结合的方法,建立了准确度较高的包虫病光谱诊断技术方案,诊断正确率高,操作方便,便于实施。
以上技术特征构成了本发明的实施例,其具有较强的适应性和实施效果,可根据实际需要增减非必要的技术特征,来满足不同情况的需求。
表1主成分分析结果
主成分 | 特征值 | Contribution rate/% | cumulative contribution rate/% |
PC1 | 33.1151 | 69.01 | 69.01 |
PC2 | 8.6795 | 18.09 | 87.1 |
PC3 | 3.6988 | 7.71 | 94.81 |
PC4 | 1.1052 | 2.30 | 97.11 |
PC5 | 0.5887 | 1.23 | 98.34 |
PC6 | 0.1971 | 0.41 | 98.75 |
PC7 | 0.1859 | 0.38 | 99.13 |
表2某次训练测试的运行结果
病例总数 | 66 | 健康人 | 20 | 包虫病患者 | 20 |
训练集病例总数 | 40 | 健康人 | 20 | 包虫病患者 | 20 |
测试集病例总数 | 26 | 健康人 | 18 | 包虫病患者 | 8 |
健康人确诊 | 17 | 误诊 | 1 | 确诊率 | 94.4444% |
包虫病患者确诊 | 7 | 误诊 | 1 | 确诊率 | 87.5% |
表3利用本发明方法对未知样本的预测结果
序号 | 真实值 | 预测值 | 结果 | 序号 | 真实值 | 预测值 | 结果 |
1 | 1 | 1.0006 | 正确 | 14 | 2 | 2.0002 | 正确 |
2 | 1 | 0.9984 | 正确 | 15 | 2 | 2.008 | 正确 |
3 | 1 | 1.0005 | 正确 | 16 | 2 | 1.1400 | 错误 |
4 | 1 | 1.0012 | 正确 | 17 | 2 | 2.0015 | 正确 |
5 | 1 | 1.0022 | 正确 | 18 | 1 | 1.0013 | 正确 |
6 | 1 | 1.9694 | 错误 | 19 | 1 | 1.0035 | 正确 |
7 | 1 | 1.0001 | 正确 | 20 | 1 | 1.0017 | 正确 |
8 | 1 | 0.9974 | 正确 | 21 | 1 | 1.0041 | 正确 |
9 | 1 | 0.9785 | 正确 | 22 | 1 | 0.9987 | 正确 |
10 | 2 | 1.9991 | 正确 | 23 | 1 | 1.0103 | 正确 |
11 | 2 | 2.0100 | 正确 | 24 | 1 | 0.9990 | 正确 |
12 | 2 | 2.0017 | 正确 | 25 | 1 | 1.0003 | 正确 |
13 | 2 | 2.0039 | 正确 | 26 | 1 | 1.0566 | 正确 |
Claims (2)
1.一种基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法,其特征在于按下述步骤进行:第一步,分别吸取至少20名健康人和至少20名包虫病患者的血清,并将吸取的血清置于拉曼光谱仪中进行全波长扫描并进行采集数据;
第二步,将采集的数据进行归一化处理;
第三步,将进行归一化后的数据进行主成分分析,将主成分累计贡献率达到80%的所有主成分的得分作为BP神经网络的输入层节点;
第四步,输出节点数为1,经过实验分析对比,确定隐含层节点数,使用newff函数创建前馈神经网络,隐含层采用s型激活函数logsig,输出层采用线性激活函数purelin,训练函数采用trainlm,模型随机初始化后,输出神经元对健康人的输出值分别设定为1、输出神经元对包虫患者的输出值设定为2。
2.根据权利要求1所述的基于主成分分析-BP神经网络的包虫病患者血清的光谱识别方法,其特征在于根据BP神经网络隐含层采用s型激活函数logsig的要求输入参数分布在[0,1]之间,界定输入和输出值均在[0,1]的范围内,归一化算法采用公式:χi’=(χi-χmin)/(χmax-χmin),其中,χi为需要进行归一化处理的数据,χi’为归一化后的样本数据,χmin为χi中的最小值,χmax为χi中的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611178745.2A CN106596507A (zh) | 2016-12-19 | 2016-12-19 | 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611178745.2A CN106596507A (zh) | 2016-12-19 | 2016-12-19 | 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106596507A true CN106596507A (zh) | 2017-04-26 |
Family
ID=58599995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611178745.2A Pending CN106596507A (zh) | 2016-12-19 | 2016-12-19 | 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596507A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088834A (zh) * | 2017-09-13 | 2018-05-29 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
CN109001180A (zh) * | 2018-08-10 | 2018-12-14 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109765214A (zh) * | 2019-03-29 | 2019-05-17 | 北京中科遗传与生殖医学研究院有限责任公司 | 基于表面增强拉曼光谱的***不育患者血清的检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6495341B1 (en) * | 1999-10-13 | 2002-12-17 | Alpha Mos | Method and apparatus for monitoring a physical or chemical conversion of a grain material |
CN101458214A (zh) * | 2008-12-15 | 2009-06-17 | 浙江大学 | 有机聚合物溶液浓度的检测方法 |
-
2016
- 2016-12-19 CN CN201611178745.2A patent/CN106596507A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6495341B1 (en) * | 1999-10-13 | 2002-12-17 | Alpha Mos | Method and apparatus for monitoring a physical or chemical conversion of a grain material |
CN101458214A (zh) * | 2008-12-15 | 2009-06-17 | 浙江大学 | 有机聚合物溶液浓度的检测方法 |
Non-Patent Citations (3)
Title |
---|
严文娟等: "基于PCA-BP肝炎患者舌诊的光谱识别", 《天津大学学报》 * |
况爱农等: "BP神经网络在拉曼光谱判别中的应用", 《激光杂志》 * |
陈秀丽等: "基于PCA和BP网络的地中海贫血红细胞拉曼光谱判别", 《中国激光》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088834A (zh) * | 2017-09-13 | 2018-05-29 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
CN108088834B (zh) * | 2017-09-13 | 2020-04-28 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
CN109001180A (zh) * | 2018-08-10 | 2018-12-14 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109001180B (zh) * | 2018-08-10 | 2021-01-01 | 青岛启明生物科技有限公司 | 一种拉曼光谱结合人工智能高通量单细胞分析鉴定方法 |
CN109765214A (zh) * | 2019-03-29 | 2019-05-17 | 北京中科遗传与生殖医学研究院有限责任公司 | 基于表面增强拉曼光谱的***不育患者血清的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11747205B2 (en) | Noninvasive, multispectral-fluorescence characterization of biological tissues with machine/deep learning | |
Li et al. | Outlier detection and removal improves accuracy of machine learning approach to multispectral burn diagnostic imaging | |
CN101756696B (zh) | 多光子皮肤镜图像自动分析***及其应用于恶性黑素瘤的诊断方法 | |
US8483454B2 (en) | Methods for tissue classification in cervical imagery | |
JP2003535330A (ja) | 生物試料の分類のための方法及びシステム | |
CN106596507A (zh) | 基于主成分分析‑bp神经网络的包虫病患者血清的光谱识别方法 | |
Li et al. | Diagnosis of early gastric cancer based on fluorescence hyperspectral imaging technology combined with partial‐least‐square discriminant analysis and support vector machine | |
Cao et al. | A deep learning approach for detecting colorectal cancer via Raman spectra | |
CN110991536A (zh) | 原发性肝癌的早期预警模型的训练方法 | |
CN110276740A (zh) | ***肿瘤辅助检测模型、其***及***肿瘤辅助检测方法 | |
CN117116477A (zh) | 基于随机森林和XGBoost的***癌患病风险预测模型的构建方法及*** | |
Chang et al. | Deep learning methods for oral cancer detection using Raman spectroscopy | |
US20050272027A1 (en) | Real-time clinical diagnostic systems for fluorescent spectrum analysis of tissue cells and methods thereof | |
US20240027417A1 (en) | System and method for assessing biological tissue | |
CN113180601A (zh) | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 | |
CN112716447A (zh) | 一种基于拉曼检测光谱数据深度学习的口腔癌分类*** | |
Yu et al. | Deep multi-feature fusion residual network for oral squamous cell carcinoma classification and its intelligent system using Raman spectroscopy | |
Liu et al. | Using hyperspectral imaging automatic classification of gastric cancer grading with a shallow residual network | |
Kusuma et al. | A hybrid model for skin disease classification using transfer learning | |
Yilmaz et al. | Deep Convolutional Neural Networks for Onychomycosis Detection | |
CN113344022A (zh) | 一种基于深度学习的胸片检测方法 | |
CN116842436B (zh) | 一种多光谱组合的皮肤基底细胞癌识别方法 | |
CN110897593A (zh) | 一种基于光谱特征参数的***前病变诊断方法 | |
Vasanthakumari et al. | AI-driven discrimination of benign from malignant pigmented skin lesions based on multispectral autofluorescence lifetime dermoscopy imaging | |
CN114384057B (zh) | 一种基于拉曼光谱的肿瘤早期诊断*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |