CN112292065A - 使用激光诱导击穿光谱法的诊断方法及执行该方法的诊断装置 - Google Patents
使用激光诱导击穿光谱法的诊断方法及执行该方法的诊断装置 Download PDFInfo
- Publication number
- CN112292065A CN112292065A CN201980038819.8A CN201980038819A CN112292065A CN 112292065 A CN112292065 A CN 112292065A CN 201980038819 A CN201980038819 A CN 201980038819A CN 112292065 A CN112292065 A CN 112292065A
- Authority
- CN
- China
- Prior art keywords
- spectral data
- sample
- light
- laser
- spectral
- 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
- 238000002536 laser-induced breakdown spectroscopy Methods 0.000 title claims abstract description 186
- 238000002405 diagnostic procedure Methods 0.000 title abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 911
- 238000001228 spectrum Methods 0.000 claims abstract description 201
- 238000013528 artificial neural network Methods 0.000 claims abstract description 164
- 201000010099 disease Diseases 0.000 claims abstract description 91
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 91
- 239000000523 sample Substances 0.000 claims description 604
- 238000002679 ablation Methods 0.000 claims description 170
- 238000000034 method Methods 0.000 claims description 141
- 239000013074 reference sample Substances 0.000 claims description 42
- 238000005259 measurement Methods 0.000 claims description 40
- 208000000453 Skin Neoplasms Diseases 0.000 claims description 37
- 201000000849 skin cancer Diseases 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 34
- 238000003745 diagnosis Methods 0.000 description 176
- 210000001519 tissue Anatomy 0.000 description 161
- 238000010586 diagram Methods 0.000 description 61
- 230000006378 damage Effects 0.000 description 54
- 238000010606 normalization Methods 0.000 description 54
- 230000000875 corresponding effect Effects 0.000 description 52
- 238000012774 diagnostic algorithm Methods 0.000 description 49
- 210000003491 skin Anatomy 0.000 description 46
- 239000002131 composite material Substances 0.000 description 45
- 230000008569 process Effects 0.000 description 41
- 238000001514 detection method Methods 0.000 description 39
- 230000003287 optical effect Effects 0.000 description 34
- 238000007781 pre-processing Methods 0.000 description 33
- 238000004891 communication Methods 0.000 description 22
- 210000004027 cell Anatomy 0.000 description 17
- 206010028980 Neoplasm Diseases 0.000 description 16
- 201000011510 cancer Diseases 0.000 description 16
- 230000008859 change Effects 0.000 description 16
- 230000001965 increasing effect Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 230000001939 inductive effect Effects 0.000 description 14
- 210000004204 blood vessel Anatomy 0.000 description 13
- 230000015556 catabolic process Effects 0.000 description 13
- 238000010183 spectrum analysis Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000004075 alteration Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 239000000463 material Substances 0.000 description 9
- 239000000203 mixture Substances 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000003902 lesion Effects 0.000 description 7
- 206010033675 panniculitis Diseases 0.000 description 7
- 238000004611 spectroscopical analysis Methods 0.000 description 7
- 210000004304 subcutaneous tissue Anatomy 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 230000002500 effect on skin Effects 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 229910052708 sodium Inorganic materials 0.000 description 3
- 239000011734 sodium Substances 0.000 description 3
- 239000011573 trace mineral Substances 0.000 description 3
- 235000013619 trace mineral Nutrition 0.000 description 3
- WUPHOULIZUERAE-UHFFFAOYSA-N 3-(oxolan-2-yl)propanoic acid Chemical compound OC(=O)CCC1CCCO1 WUPHOULIZUERAE-UHFFFAOYSA-N 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 229910052980 cadmium sulfide Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 239000003574 free electron Substances 0.000 description 2
- 229910010272 inorganic material Inorganic materials 0.000 description 2
- 239000011147 inorganic material Substances 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 239000012620 biological material Substances 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 230000005779 cell damage Effects 0.000 description 1
- 208000037887 cell injury Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000004207 dermis Anatomy 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000009401 metastasis Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009759 skin aging Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000451 tissue damage Effects 0.000 description 1
- 231100000827 tissue damage Toxicity 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/443—Emission spectrometry
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
- A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
- A61B5/444—Evaluating skin marks, e.g. mole, nevi, tumour, scar
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B25/00—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby
- B63B25/02—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods
- B63B25/08—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid
- B63B25/12—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid closed
- B63B25/16—Load-accommodating arrangements, e.g. stowing, trimming; Vessels characterised thereby for bulk goods fluid closed heat-insulated
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63J—AUXILIARIES ON VESSELS
- B63J2/00—Arrangements of ventilation, heating, cooling, or air-conditioning
- B63J2/12—Heating; Cooling
- B63J2/14—Heating; Cooling of liquid-freight-carrying tanks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M21/00—Apparatus for supplying engines with non-liquid fuels, e.g. gaseous fuels stored in liquid form
- F02M21/02—Apparatus for supplying engines with non-liquid fuels, e.g. gaseous fuels stored in liquid form for gaseous fuels
- F02M21/0203—Apparatus for supplying engines with non-liquid fuels, e.g. gaseous fuels stored in liquid form for gaseous fuels characterised by the type of gaseous fuel
- F02M21/0215—Mixtures of gaseous fuels; Natural gas; Biogas; Mine gas; Landfill gas
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C6/00—Methods and apparatus for filling vessels not under pressure with liquefied or solidified gases
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C9/00—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure
- F17C9/02—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure with change of state, e.g. vaporisation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C9/00—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure
- F17C9/02—Methods or apparatus for discharging liquefied or solidified gases from vessels not under pressure with change of state, e.g. vaporisation
- F17C9/04—Recovery of thermal energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/0205—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows
- G01J3/0218—Optical elements not provided otherwise, e.g. optical manifolds, diffusers, windows using optical fibers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/02—Details
- G01J3/10—Arrangements of light sources specially adapted for spectrometry or colorimetry
-
- 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
- G01N21/71—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light thermally excited
- G01N21/718—Laser microanalysis, i.e. with formation of sample plasma
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2221/00—Handled fluid, in particular type of fluid
- F17C2221/03—Mixtures
- F17C2221/032—Hydrocarbons
- F17C2221/033—Methane, e.g. natural gas, CNG, LNG, GNL, GNC, PLNG
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/01—Propulsion of the fluid
- F17C2227/0128—Propulsion of the fluid with pumps or compressors
- F17C2227/0157—Compressors
- F17C2227/0164—Compressors with specified compressor type, e.g. piston or impulsive type
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/01—Propulsion of the fluid
- F17C2227/0128—Propulsion of the fluid with pumps or compressors
- F17C2227/0171—Arrangement
- F17C2227/0185—Arrangement comprising several pumps or compressors
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/03—Heat exchange with the fluid
- F17C2227/0337—Heat exchange with the fluid by cooling
- F17C2227/0339—Heat exchange with the fluid by cooling using the same fluid
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/03—Heat exchange with the fluid
- F17C2227/0337—Heat exchange with the fluid by cooling
- F17C2227/0341—Heat exchange with the fluid by cooling using another fluid
- F17C2227/0348—Water cooling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2227/00—Transfer of fluids, i.e. method or means for transferring the fluid; Heat exchange with the fluid
- F17C2227/03—Heat exchange with the fluid
- F17C2227/0337—Heat exchange with the fluid by cooling
- F17C2227/0358—Heat exchange with the fluid by cooling by expansion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2265/00—Effects achieved by gas storage or gas handling
- F17C2265/03—Treating the boil-off
- F17C2265/032—Treating the boil-off by recovery
- F17C2265/033—Treating the boil-off by recovery with cooling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2265/00—Effects achieved by gas storage or gas handling
- F17C2265/03—Treating the boil-off
- F17C2265/032—Treating the boil-off by recovery
- F17C2265/033—Treating the boil-off by recovery with cooling
- F17C2265/034—Treating the boil-off by recovery with cooling with condensing the gas phase
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2265/00—Effects achieved by gas storage or gas handling
- F17C2265/03—Treating the boil-off
- F17C2265/032—Treating the boil-off by recovery
- F17C2265/037—Treating the boil-off by recovery with pressurising
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2265/00—Effects achieved by gas storage or gas handling
- F17C2265/03—Treating the boil-off
- F17C2265/032—Treating the boil-off by recovery
- F17C2265/038—Treating the boil-off by recovery with expanding
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2265/00—Effects achieved by gas storage or gas handling
- F17C2265/06—Fluid distribution
- F17C2265/066—Fluid distribution for feeding engines for propulsion
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17C—VESSELS FOR CONTAINING OR STORING COMPRESSED, LIQUEFIED OR SOLIDIFIED GASES; FIXED-CAPACITY GAS-HOLDERS; FILLING VESSELS WITH, OR DISCHARGING FROM VESSELS, COMPRESSED, LIQUEFIED, OR SOLIDIFIED GASES
- F17C2270/00—Applications
- F17C2270/01—Applications for fluid transport or storage
- F17C2270/0102—Applications for fluid transport or storage on or in the water
- F17C2270/0105—Ships
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
- G01J2003/423—Spectral arrangements using lasers, e.g. tunable
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/30—Use of alternative fuels, e.g. biofuels
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Dermatology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Ocean & Marine Engineering (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Plasma & Fusion (AREA)
- Immunology (AREA)
Abstract
本发明涉及一种使用激光诱导击穿光谱分析的诊断方法和用于执行该诊断方法的诊断装置,更具体地,根据本说明书的一方面,该诊断方法可以包括:将脉冲激光投射到疑似样本上;获得与从疑似样本收集的光相关的第一光谱数据;将脉冲激光投射到正常样本上;获得与从正常样本收集的光相关的第二光谱数据;以及使用人工神经网络根据第一光谱数据和第二光谱数据的比较值确定疑似样本中是否患有疾病。
Description
技术领域
本发明涉及一种使用激光诱导击穿光谱分析的诊断方法和执行诊断方法的诊断装置,更具体地,涉及一种使用从激光投射到的样本收集的光的光谱数据执行诊断的诊断方法和执行诊断方法的诊断装置。
背景技术
在现代医学技术领域中,对用于使现有活组织检查的不便最小化的无创方式的更准确的诊断的各种技术的需求不断增加。在这种趋势下,通常用于分析材料成分的光谱分析方法可以用于检测生物组织或有害物质的成分,并且进一步用于疾病的诊断,从而使光谱分析方法作为下一代医疗技术而受到关注。
光谱分析方法可以大致分为分析投射到样本上的激光的散射光光谱的拉曼光谱法和分析由高功率激光诱导的等离子体光谱的激光诱导击穿光谱法(LIBS:Laser-InducedBreakdown Spectroscopy)。
然而,由于主要用于分析无机材料的常规频谱分析方法是在相对于某些元素的特定波长范围内通过光谱分析来进行的,因此在成分相对复杂且难以控制环境变量的生物组织的分析中,频谱分析方法存在准确性不足或者分析结果受患者特异性的影响的限制。
发明内容
技术问题
本公开旨在提供一种使用激光诱导击穿光谱法(LIBS)无创地执行身体组织的疾病诊断的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种通过收集来自患者的各种的以及大量的信息来执行疾病诊断以提高对患者的疾病诊断的准确性或可靠性的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种使用具有从紧接在样本中产生等离子体后的样本中生成的各种光谱的光来对患者进行诊断的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种在使用LIBS的同时使对患者的损伤最小化的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种诊断方法以及用于执行该诊断方法的诊断装置,该诊断方法在使用LIBS的同时使由于诸如用户的手的晃动等外部因素发生的对患者的损伤最小化。
本公开还旨在提供一种使用LIBS对不同的患者通用地进行疾病诊断的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种诊断装置,其用于将激光投射到样本上、接收从样本生成的光的至少一部分并基于触发事件提供触发信号。
本公开还旨在提供一种在使用人工神经网络根据光谱数据执行疾病诊断的同时使由于光谱数据中包括的环境因素的影响最小化的诊断方法以及用于执行该诊断方法的诊断装置。
本公开还旨在提供一种在使用人工神经网络根据光谱数据进行疾病诊断的同时使用于获得光谱数据的设备的机械偏移所导致的影响最小化的诊断方法以及用于执行该诊断方法的诊断装置。
本公开要解决的技术问题不限于上述技术问题,并且本公开所属领域的技术人员根据以下说明和附图可以清楚地理解未说明的其他技术问题。
技术方案
根据本公开的一个方面,提供了一种诊断装置,包括:激光投射模块,其将脉冲激光投射到样本;光接收模块,其接收由脉冲激光在样本上诱导的等离子体消融产生的光;光谱元件,其接收并划分由等离子体消融产生的光;传感器阵列,其包括配置为接收每个波长的分光的多个传感器,传感器阵列交替且连续地重复根据接收到的光累积电能的曝光时段和对在曝光时段期间累积的电能进行初始化的重置时段,并且生成与曝光时段中接收的光有关的光谱数据,其中,曝光时段的时间间隔设定为在包括脉冲激光的投射时间点的曝光时段期间接收具有连续光谱特性的光和具有非连续光谱特性的光;控制器,其在重复的多个曝光时段中,从接收由等离子体消融生成的光的特定曝光时段中获取由等离子体消融生成的光的光谱数据,并基于由等离子体消融生成的光的光谱数据来确定样本是否患病。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:通过使用包括配置为接收每个波长的分光的多个传感器的传感器阵列,交替并连续地重复其中累积有与所接收的分光有关的电能的曝光时段和其中重置在曝光时段中累积的电能的重置时段;将脉冲激光投射到样本上;收集由脉冲激光在样本上诱导的等离子体消融生成的光;划分由等离子体消融生成的光;通过使用传感器阵列,生成与在作为重复的多个曝光时段中的一者的特定曝光时段内由等离子体消融生成的光有关的光谱数据;识别多个曝光时段中的特定曝光时段;从特定曝光时段获得与由等离子体消融生成的光有关的光谱数据;以及基于与由等离子体消融生成的光有关的获得的光谱数据确定样本是否患病。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:通过使用包括配置为接收每个波长的分光的多个传感器的传感器阵列,交替并连续地重复其中累积有与所接收的分光有关的电能的曝光时段和其中重置在曝光时段中累积的电能的重置时段;在第一时间点将第一脉冲激光投射到第一样本;通过使用传感器阵列,在包括第一时间点的第一曝光时段内,检测与由第一脉冲激光在第一样本上诱导的等离子体消融所生成的第一光有关的光谱;在第二时间点将第二脉冲激光投射到第二样本;通过使用传感器阵列,在包括第二时间点的第二曝光时段内,检测与由第二脉冲激光在第二样本上诱导的等离子体消融所生成的第二光有关的光谱;获得第一光谱数据和第二光谱数据,其中,在重复的多个曝光时段中分别在第一曝光时段和第二曝光时段获得第一光谱数据和第二光谱数据;以及基于第一光谱数据和第二光谱数据确定样本是否患病。
根据本公开的一个方面,提供了一种诊断装置,包括:激光模块,其将脉冲激光投射到样本;光收集模块,其接收由脉冲激光在样本上诱发的等离子体消融生成的光;触发模块,其接收来自样本的光并输出触发信号;光谱元件,其划分由光收集模块提供的等离子体消融产生的光;传感器阵列,包括配置为接收每个波长的分光的多个传感器,并且通过在从输出触发信号时的时间点开始的预定时间间隔内生成与入射光有关的电信号,来生成由等离子体消融产生的光的光谱数据;以及控制器,其基于光谱数据对患者进行疾病诊断。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将脉冲激光投射到样本;根据脉冲激光的反射光输出触发信号;通过检测在从触发信号的输出时间点起的预定时间间隔内入射光的光谱,生成由脉冲激光在样本上诱导的等离子体消融生成的光的光谱数据;以及基于光谱数据对患者进行疾病诊断。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将第一脉冲激光投射到接受疾病检查的第一样本;通过接收第一脉冲激光的反射光来输出第一触发信号;在从第一触发信号的输出时间点开始的预定时间间隔内接收来自第一样本的光,并获得与从第一样本接收的光有关的第一光谱数据;将第二脉冲激光投射到正常的第二样本上;通过接收第二脉冲激光的反射光输出第二触发信号;在从第二触发信号的输出时间点开始的预定时间间隔内接收来自第二样本的光,并获得与从第二样本接收的光有关的第二光谱数据;获取第一光谱数据和第二光谱数据的比较光谱数据;以及基于比较光谱数据确定第一样本是否患病。
根据本公开的一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将脉冲激光投射到疑似样本上;接收由脉冲激光在疑似样本上诱导的等离子体消融生成的光;获取与从疑似样本接收的光有关的第一光谱数据;投射由脉冲激光在未患病的样本上诱导的等离子体消融生成的光;获得与从未患病样本接收的光有关的第二光谱数据;通过使用通过学习集学习的人工神经网络,基于第一光谱数据和第二光谱数据的比较数据,确定疑似样本是否患病,该学习集包括标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据以及标记有指示患病状态的第二类别值的与在未患病组织上和患病的组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:获得与从通过投射脉冲激光诱导等离子体消融的疑似样本接收的光相关的第一光谱数据;获得与通过投射脉冲激光诱导等离子体消融的未患病样本收集的光有关的第二光谱数据;以及通过使用通过学习集学习的人工神经网络,基于第一光谱数据和第二光谱数据的比较数据,确定疑似样本是否患病,该学习集包括标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据以及标记有指示患病状态的第二类别值的与在未患病组织和患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
根据本公开的另一方面,提供了一种诊断装置,包括:激光投射模块,其将脉冲激光投射到样本;光接收模块,其接收由脉冲激光在样本上诱导的等离子体消融生成的光,其中,由等离子体消融生成的光包括具有连续光谱特性的等离子体发射光和具有非连续光谱特性的特定元素发射光;光谱测量模块,其从接收到的光中获得光谱数据;以及控制器:获得与从激光投射模块将脉冲激光投射到的目标样本接收的光有关的第一光谱数据和与从激光投射模块将脉冲激光投射到的未患病的参考样本接收的光有关的第二光谱数据,并且基于第一光谱数据和第二光谱数据的比较数据,通过使用通过第一学习集和第二学习集学习的人工神经网络来确定目标样本是否患病,其中,第一学习集包括标记有指示未患病状态的类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据,第二学习集包括标记有指示患病状态的类别值的与在未患病组织和患病的组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
根据本公开的一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的方法,包括:准备激光设备,激光设备包括:发光单元,其生成被诱导为具有规定的波长的激光并且将激光输出到身体组织的目标区域;光收集单元,其接收当激光进入身体组织而使一部分身体组织消融时出现的多种光,被配置为具有相对于发光单元朝向激光进入的目标区域的规定角度,并且接收多种光;光信号转换器,其通过检测多种光的一部分来生成检测信号;引导单元,其调节脉冲激光从发光单元的一端到目标区域的投射距离;以及投射激光,以通过在身体组织的目标区域上诱导组织消融来发生等离子体;其中,提供了通过调节激光的光学值或光路并通过结合由引导单元引导的长度而投射到目标区域的激光的对象区域,并且其中,对象区域位于目标区域的内部,使其具有小于目标区域的面积。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的诊断装置,包括:壳体,其在其外表面上设置有由用户抓握的抓握部;激光输出单元,其安装在壳体内部并发射高功率脉冲激光,以在将要诊断的组织所在的目标区域内诱导组织消融;光控制单元,包括:光路控制装置,其安装在壳体内部以位于脉冲激光的路径上并穿过脉冲激光,从而控制脉冲激光的至少一部分的光路,其中,当脉冲激光穿过光路控制装置时,在垂直于脉冲激光的行进方向的横截面积的每单位面积上接收的能量强度在与激光输出单元相距第一距离的点处最大;光收集单元,其配置为与发光单元朝向目标区域成规定角度,并从目标区域接收根据组织消融生成的光;以及引导单元,包括:延伸部,其从壳体沿脉冲激光的行进方向延伸;以及接触部,其形成在该延伸部的端部以与身体组织接触,其中,延伸部延伸为使得当接触部接触身体组织时,接触部位于与激光输出单元相距第二距离的点处。
根据本公开的另一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的诊断装置,包括:激光输出模块,其发射高功率脉冲激光以在要诊断的组织所在的目标区域中诱导组织消融,并且包括:改变脉冲激光的光路以控制用于诱导目标区域的组织消融的脉冲激光的能量的光控制透镜和用于控制脉冲激光从光控制透镜到目标区域的投射距离的引导单元;光收集模块,其相对于脉冲激光的投射路径成规定角度,配置为朝向目标区域,并获取与脉冲激光诱导的组织消融相关的等离子体光;分析模块,其获得与目标区域上诱导的组织消融所生成的光的光谱有关的目标光谱信息,并确定目标区域中的疾病;其中,光控制透镜限定有第一区域和第二区域,其中,第一区域和第二区域的折射率不同,以防止在用于诱导组织消融的脉冲激光的投射距离上过度集中投射,其中,由于第一区域和第二区域的折射率之间的差异,在从为光控制透镜的焦距的位置开始在脉冲激光的投射方向上的预定区域中出现光聚焦区域,并且其中引导单元具有预定长度,使得目标区域位于光聚焦区域中,以当脉冲激光投射到目标区域时,防止在比目标区域的位置更深的预定深度处的下部组织中受到影响。
根据本公开的一个方面,提供了一种诊断装置,包括:壳体,在其一端形成有朝向位于患者的皮肤的一点处的样本的开口;激光投射模块,其安装在壳体内部并向样本投射脉冲激光;以及触发模块,其安装在壳体内部时位于激光投射模块的后侧,并且通过接收从样本反射的脉冲激光的反射光来输出触发信号。
本公开的技术方案不限于上述技术方案,并且本公开所属领域的技术人员根据以下说明和附图可以清楚地理解未说明的其他技术方案。
技术效果
根据本公开,通过使用人工神经网络获得并分析由等离子体(其通过将脉冲激光投射到活组织而产生)产生的光的连续光谱,从而可以准确地诊断活组织中是否存在疾病。
根据本公开,收集并分析激光投射到样本时表现出的等离子体发射和元素特定发射,从而可以对患者进行准确或可靠的疾病诊断。
根据本公开,使用对样本产生等离子体之前所操作的光学传感器来接收并分析具有由于激光投射至样本而展现出的连续光谱和线光谱的光,从而可以对患者进行疾病诊断。
根据本公开,适当地调节高功率脉冲激光器的脉冲持续时间、强度、每脉冲能量和投射区域,以便仅施加这样一能量水平,该能量水平在高高功率脉冲激光具有的能量密度足以引起局部等离子体产生从而能够通过LIBS分析对患者进行疾病诊断而不会损害身体的同时防止对样本的损坏。
根据本公开,当投射在样本中诱导等离子体的激光时,使投射距离比焦距更长,并且当由于外部因素而使投射距离增加时,激光相对于样本的光斑尺寸增加,使得可以安全地执行疾病诊断以避免损伤样本。
此外,根据本公开,当投射在样本中诱导等离子体的激光时,控制施加到样本的能量以通过具有预定球面像差的透镜将对样本的损伤最小化,从而可以安全地执行疾病诊断。
根据本公开,人工神经网络使用LIBS根据从疑似样本和未患病样本获得的光谱数据的比较值确定疾病的存在或不存在,从而可以降低患者的特异性因子,因此,该疾病诊断可以普遍适用于诸如种族和性别等条件不同的患者。
根据本公开,通过将激光投射到样本并检测投射的激光或从投射的激光产生的激光衍生光来提供触发信号,从而可以在适当的时间开始用于LIBS分析的光检测。
根据本公开,使用人工神经网络根据光谱数据获得诊断结果,并且通过调节光谱数据中包括的光强度值来去除由于周围环境的影响而导致的变量,使得即使在各种环境中进行疾病诊断也能够普遍使用该疾病诊断。
根据本公开,基于光谱数据使用人工神经网络来执行诊断疾病,并且通过调节包括在光谱数据中的数据规范使得在光谱获取装置中产生的机械偏移的影响最小化,从而可以获得准确的诊断结果。
本公开的效果不限于上述效果,并且根据以下说明和附图,本公开所属的领域的技术人员可以清楚地理解未说明的其他效果。
附图说明
将通过参照附图详细说明本公开的示例性实施例,使本公开的上述及其他目的、特征和优点对本领域普通技术人员而言变得更加显而易见。
其中,
图1是示出根据本公开的一个实施例的诊断***的框图;
图2和图3是示出根据本公开的一个实施例的诊断***的示例的立体图;
图4是示出根据本公开的一个实施例的激光诱导击穿光谱(LIBS:laser inducedbreakdown spectroscopy)单元的框图;
图5是示出根据本公开的一个实施例的诊断单元的框图;
图6是示出根据本公开的一个实施例的诊断方法的流程图;
图7是示出执行根据本公开的一个实施例的诊断方法的过程的示例图;
图8是示出根据本公开的一个实施例的激光诱导击穿的图;
图9是示出根据本公开的一个实施例在激光诱导击穿期间发射的光的曲线图;
图10是示出根据本公开的一个实施例在第一时段中观察到的光谱的曲线图;
图11是示出根据本公开的一个实施例的在第二时段中观察到的光谱的曲线图;
图12是示出根据本公开的一个实施例的以门控方式操作的LIBS单元的示例图;
图13是示出根据本公开的一个实施例的以非门控方式操作的LIBS单元的示例图;
图14是根据本公开的一个实施例通过非门控传感器阵列观察到的光谱图。
图15是示出根据本公开的一个实施例当使用非门控传感器阵列时,使用触发信号指定接收复合光谱的操作时段的图;
图16是示出根据本公开的一个实施例的触发操作的图;
图17是示出根据本公开的一个实施例的样本损伤的图;
图18和图19是示出根据本公开的一个实施例的样本和激光光斑的图;
图20是示出根据本公开的一个实施例通过多个脉冲激光器施加到样本的功率密度和能量密度的图表;
图21至图23是示出根据本公开的一个实施例的光斑尺寸、功率密度和能量密度之间的关系的曲线图;
图24和图25是示出根据本公开的一个实施例不同地设定投射到样本上的激光的光斑尺寸的图;
图26是示出根据本公开的一个实施例LIBS单元远离样本的示例性示图;
图27是示出根据本公开的一个实施例的根据激光相对于样本的投射长度和焦距之间的关系的激光光斑的示例图;
图28是示出根据本公开的一个实施例穿过具有球面像差的激光调节件的激光的形状的示例图;
图29是示出根据本公开的一个实施例的人工神经网络的示例图;
图30是示出根据本公开的一个实施例的光谱数据的结构的图;
图31是示出根据本公开的一个实施例的标准化的示意图;
图32是示出根据本公开的一个实施例的具有原始波长范围的原始光谱数据的示例的图;
图33是示出根据本公开的一个实施例具有标准波长范围的经处理的光谱数据的示例的图;
图34是示出根据本公开的一个实施例获得经处理的光谱数据的过程的示例的图;
图35是示出根据本公开的一个实施例获得经处理的光谱数据的过程的另一示例的示图;
图36是示出根据本公开的一个实施例对于光谱数据中包括的每个波长的特征重要度的图;
图37是示出根据本公开的一个实施例基于特征重要度来设定标准波长范围的示例的图;
图38是示出根据本公开的一个实施例基于特征重要度将标准波长范围设定为某种波长的示例的图;
图39是示出根据本公开的一个实施例基于针对每个波长的强度值设定标准波长范围的示例的图;
图40是示出根据本公开的一个实施例基于元素峰值的诊断相关性设定标准波长范围的示例的图;
图41是示出根据本公开的一个实施例通过进一步考虑重复的元素峰值设定标准波长范围的示例的图;
图42是示出根据本公开的一个实施例与通过标准化改变原始光谱数据的每个波长的强度值的数量有关的图表的图;
图43是示出根据本公开的一个实施例通过标准化改变针对原始光谱数据的每个波长的强度值的数量的图;
图44是示出根据本公开的一个实施例与通过标准化改变光谱数据的波长间隔有关的图表的图;
图45是示出根据本公开的一个实施例通过标准化改变光谱数据的波长间隔的图;
图46是示出根据本公开的一个实施例的波长偏移校正的图;
图47是示出根据本公开的一个实施例的归一化的示意图;
图48是示出根据本公开的一个实施例基于特定波长的强度值的归一化的示例的图;
图49是示出根据本公开的一个实施例的基于波长范围的强度值的归一化的示例的图;
图50是示出根据本公开的一个实施例的使用光谱曲线的归一化的示例的图;
图51是示出根据本公开的一个实施例生成作为机器学习模型的输入数据的经处理的光谱数据的方法的示例的流程图;
图52是示出根据本公开的一个实施例使用人工神经网络从单条光谱数据确定诊断结果的示例的图;
图53是示出根据本公开的一个实施例使用人工神经网络从组合有光谱数据的光谱数据确定诊断结果的图;
图54是示出根据本公开的一个实施例获得光谱数据的点的图;
图55是示出根据本公开的一个实施例使用人工神经网络从光谱数据确定诊断结果的方法的第一详细示例的流程图;
图56是示出根据本公开的一个实施例使用人工神经网络从光谱数据确定诊断结果的方法的第二详细示例的流程图;
图57是示出根据本公开的一个实施例使用人工神经网络从光谱数据确定诊断结果的另一示例的图;
图58是示出根据本公开的一个实施例的光谱数据的误差的图;和
图59是示出根据本公开的一个实施例的LIBS单元的外部和内部的图。
具体实施方式
根据以下参照附图的说明,本公开的上述和其他目的、特征和优点将变得更加显而易见。然而,本公开可以修改成各种形式,并且可以具有各种实施例,因此,将在附图中示出以及在下文详细说明特定的实施例。
本文所述的实施例旨在向本公开所属领域的技术人员清楚地说明本公开的精神,因此,本公开不限于本文所述的这些实施例,并且本公开的保护范围应在不背离本公开的精神的前提下解释为包括替代例或变形例。
提供本公开所附的附图以容易地说明本公开,并且图中所示的形状可以根据需要扩大和示出以帮助理解本公开,因此,本公开不限于附图。
当确定与本公开相关的已知功能或构造的详细说明不必要地使本公开的主旨不清楚时,这里将省略其详细说明。另外,在本公开的说明中使用的数字(例如,第一、第二等)仅是用于将一个组件与另一组件区分的识别符号。
此外,以下说明中使用的组件的后缀“单元”、“模块”和“部件”仅出于方便说明而给出或被互换,因此,这些后缀不具有独特的含义或功能。
根据本公开的一个方面,提供了一种诊断装置,其包括:激光投射模块,将脉冲激光投射到样本;光接收模块,接收由脉冲激光在样本上诱导的等离子体消融生成的光;光谱元件,接收并划分由等离子体消融生成的光;传感器阵列,其包括配置为接收每个波长的分光的多个传感器,传感器阵列交替并连续地重复根据接收到的光累积电能的曝光时段和对在曝光时段内累积的电能进行初始化的重置时段,并且生成与在曝光时段中接收的光有关的光谱数据,其中,设定曝光时段的时间间隔以便在包括脉冲激光的投射时间点的曝光时段期间接收具有连续光谱特性的光和具有非连续光谱特性的光;控制器,其在重复的多个曝光时段中,从接收由等离子体消融生成的光的特定曝光时段中获得由等离子体消融生成的光的光谱数据,并且基于等离子体消融生成的光的光谱数据,判定样本是否患病。
另外,通过使用脉冲激光的投射时间点,控制器从多个曝光时段中的特定曝光时段获得由等离子体消融生成的光的光谱数据。
另外,该诊断装置还包括通过接收来自样本的光来输出触发信号的触发模块,其中,通过使用该触发信号,控制器从多个曝光时段中的特定曝光时段获得由等离子体消融生成的光的光谱数据。
另外,当接收到脉冲激光的反射光时,触发模块输出触发信号。
另外,触发模块是在接收到高于阈值的光时输出触发信号的光电二极管,其中,该阈值小于通过脉冲激光的反射光的输入生成的电信号的峰值并且大于由等离子体消融产生的光的输入生成的电信号的峰值。
另外,控制器通过使用通过第一学习集和第二学习集学习的人工神经网络根据由等离子体消融生成的光的光谱数据来确定样本是否患有疾病,该第一学习集包括标记有指示正常的类别值的与正常组织相关而获得的光谱数据,并且该第二学习集包括标记有指示疾病的类别值的与患病组织相关而获得的光谱数据。
根据本公开的另一方面,提供了一种通过使用激光诱导击穿光谱法(LIBS)来诊断患者的身体组织的疾病的方法,包括:通过使用包括配置为接收每个波长的分光的多个传感器的传感器阵列,交替且连续地重复其中累积有与所接收的分光有关的电能的曝光时段和重置在曝光时段期间所累积的电能的重置时段;将脉冲激光投射到样本上;收集由脉冲激光在样本上诱导的等离子体消融生成的光;划分由等离子体消融生成的光;通过使用传感器阵列,生成与在作为重复的多个曝光时段中的一者的特定曝光时段内由等离子体消融生成的光有关的光谱数据;识别多个曝光时段中的特定曝光时段;从特定曝光时段获得与通过等离子体消融所生成的光有关的光谱数据;以及基于与由等离子体消融所生成的光有关而获得的光谱数据确定样本是否患病。
另外,样本是皮肤组织,并且疾病是皮肤癌。
另外,曝光时段的时间周期至少大于1ms。
另外,识别包括使用脉冲激光的投射时间点来识别特定曝光时段。
另外,识别包括基于曝光时段期间累积的电能来识别特定曝光时段。
另外,识别步骤将一曝光时段识别为特定曝光时段,该曝光时段中,在先前的曝光时段期间累积的能量与任意曝光时段期间累积的能量之差以及接近该任意曝光时段的先前的曝光时段期间累积的能量与任意曝光时段期间累积的能量之差大于预定阈值。
另外,该方法还包括:在接收到脉冲激光的反射光时输出触发信号,其中,识别步骤包括将与触发信号的输出时间点相对应的曝光时段确定为特定曝光时段。
另外,确定样本是否患病的步骤包括:将与由等离子体消融生成的光有关的光谱数据输入到人工神经网络的输入层中,其中人工神经网络利用第一学习集和第二学习集进行学习,该第一学习集包括与正常组织有关并标有显示正常的类别值的所获得的光谱数据,并且该第二学习集包括与患病组织有关并标有显示疾病的类别值的所获得的光谱数据;以及基于人工神经网络的输出值确定样本是否患病。
另外,该方法还包括:在多个曝光时段中识别特定曝光时段。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:通过使用包括配置为接收每个波长的分光的多个传感器的传感器阵列,交替且连续地重复其中累积有与所接收的分光有关的电能的曝光时段和重置在曝光时段期间所累积的电能的重置时段;在第一时间点将第一脉冲激光投射到第一样本;通过使用传感器阵列,在包括第一时间点的第一曝光时段内,检测与由第一脉冲激光在第一样本上诱导的等离子体消融所生成的第一光有关的光谱;在第二时间点将第二脉冲激光投射到第二样本;通过使用传感器阵列,在包括第二时间点的第二曝光时段内,检测与由第二脉冲激光在第二样本上诱导的等离子体消融所生成的第二光有关的光谱;获得第一光谱数据和第二光谱数据,其中,该第一光谱数据和第二光谱数据在重复的多个曝光时段中分别在第一曝光时段和第二曝光时段获得;以及基于第一光谱数据和第二光谱数据确定样本是否患病。
另外,该方法还包括:通过在接收到脉冲激光的反射光时输出触发信号的触发模块,分别在第一时间点和第二时间点输出第一触发信号和第二触发信号;以及通过使用第一触发信号和第二触发信号,在多个重复的曝光时段中分别从第一曝光时段和第二曝光时段获取第一光谱数据和第二光谱数据。
另外,第一样本和第二样本中的一个是正常样本,另一个是要检查是否患有疾病的样本。
另外,进行疾病诊断的步骤包括:获得第一光谱数据与第二光谱数据之间的比较值;以及使用比较值对患者进行疾病诊断。
另外,比较值是第一光谱数据和第二光谱数据之间的差或第二光谱数据与第一光谱数据的比值中的一个。
另外,进行疾病诊断的步骤包括:通过使用通过学习集学习的人工神经网络,根据第一光谱数据和第二光谱数据的比较值确定疑似样本是否患病,该学习集包括:与在正常组织上诱导的等离子体消融生成的光有关的光谱数据和与在患病组织上诱导的等离子体消融生成的光有关的光谱数据之间的比较值,该比较值标记有指示疾病的类别值;以及与在两个不同的正常组织上诱导的等离子体消融生成的光有关的两个光谱数据之间的比较值,该比较值标记有指示正常的类别值。
根据本公开的一个方面,提供了一种诊断装置,包括:激光模块,其将脉冲激光投射到样本;光收集模块,其接收由脉冲激光在样本上诱发的等离子体消融生成的光;触发模块,其接收来自样本的光并输出触发信号;光谱元件,其划分由光收集模块提供的等离子体消融生成的光;传感器阵列,其包括配置为接收每个波长的分光的多个传感器,并且通过在从输出触发信号时的时间点开始的预定时间间隔内生成与入射光有关的电信号,来生成由等离子体消融产生的光的光谱数据;以及控制器,其基于光谱数据对患者进行疾病诊断。
另外,传感器阵列从触发信号的输出时间点开始没有时间延迟地立即针对入射光生成电信号,使得根据与等离子体消融有关的等离子体发射的具有连续光谱特性的光的光谱信息包括在光谱数据中。
另外,设定预定时间间隔,使得根据与等离子体消融有关的等离子体发射的具有连续光谱特性的光的光谱信息和根据元素特定发射的关于不连续(离散)的光谱特性的光的光谱信息包括在光谱数据中。
另外,预定时间间隔大于从脉冲激光的投射时间点到元素特定发射开始时的时间点的时间间隔。
另外,预定时间间隔至少大于1us。
另外,触发模块根据脉冲激光的反射光输出触发信号。
另外,触发模块包括当输入强度大于阈值的光时输出触发信号的光电二极管,其中,该阈值小于脉冲激光的反射光的强度并且大于由等离子体消融生成的光的强度。
另外,触发模块是在输入高于阈值的光时输出触发信号的光电二极管,其中,由脉冲激光的反射光生成的电信号的强度接近阈值的上升时间至少比从脉冲激光的投射时间点到等离子体发射开始的时间点的时间间隔更短。
另外,触发模块是在输入高于阈值的光时输出触发信号的光电二极管,其中,由脉冲激光的反射光生成的电信号的强度接近阈值的上升时间至少短于100ns。
另外,控制器通过使用人工神经网络根据由等离子体消融生成的光来确定样本是否患有疾病,其中,人工神经网络利用第一学习集和第二学习集来学习,该第一学习集包括与正常组织有关的标记有指示正常的类别值的获得的光谱数据,该第二学习集包括与患病组织有关的标记有指示疾病的类别值的获得的光谱数据。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将脉冲激光投射到样本;根据脉冲激光的反射光输出触发信号;通过检测从触发信号的输出时间点开始的预定时间间隔内入射光的光谱,来生成由脉冲激光在样本上诱导的等离子体消融生成的光的光谱数据;以及基于光谱数据对患者进行疾病诊断。
另外,生成步骤包括:从触发信号的输出时间点开始没有时间延迟地立即测量入射光的光谱,使得根据与等离子体消融有关的等离子体发射的具有连续光谱特性的光的光谱信息包括在光谱数据中。
另外,设定预定时间间隔,使得根据与等离子体消融有关的等离子体发射的关于具有连续光谱特性的光的光谱信息和根据元素特定发射的关于不连续(离散)的光谱特性的光的光谱信息包括在光谱数据中。
另外,预定时间间隔大于从脉冲激光的投射时间点到元素特定发射开始的时间点的时间间隔。
另外,预定时间间隔至少大于1us。
另外,输出触发信号的步骤包括根据脉冲激光的反射光输出触发信号。
另外,在输出触发信号的步骤中,从脉冲激光的反射光的入射时间点到触发信号的输出时间点的时间间隔比从脉冲激光的投射时间点到等离子体发射的起始时间点的时间间隔更短。
另外,在输出触发信号的步骤中,从脉冲激光的反射光的入射时间点到触发信号的输出时间点的时间间隔设定为至少短于10ns。
另外,执行诊断的步骤包括:存储利用第一学习集和第二学习集学习的人工神经网络,该第一学习集包括与正常组织有关的并且标记有指示正常的类别值的获得的光谱数据,该第二学习集包括与患病组织有关的并且标记有指示疾病的类别值的获得的光谱数据;将与等离子体消融生成的光有关的光谱数据输入到人工神经网络中,并根据人工神经网络的输出确定疾病的存在。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将第一脉冲激光投射到接受疾病检查的第一样本;通过接收第一脉冲激光的反射光来输出第一触发信号;在从第一触发信号的输出时间点开始的预定时间间隔内接收来自第一样本的光,并获得与从第一样本接收的光有关的第一光谱数据;将第二脉冲激光投射到正常的第二样本上;通过接收第二脉冲激光的反射光输出第二触发信号;在从第二触发信号的输出时间点开始的预定时间间隔内接收来自第二样本的光,并获得与从第二样本接收的光有关的第二光谱数据;获取第一光谱数据和第二光谱数据的比较光谱数据;以及基于比较光谱数据确定第一样本是否患病。
根据本公开的一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:将脉冲激光投射到疑似样本上;接收由脉冲激光在疑似样本上诱导的等离子体消融生成的光;获得与从疑似样本接收的光有关的第一光谱数据;投射由脉冲激光在未患病的样本上诱导的等离子体消融生成的光;获得与从未患病样本接收的光有关的第二光谱数据;通过使用利用学习集学习的人工神经网络,基于第一光谱数据和第二光谱数据的比较数据,确定疑似样本是否患病,该学习集包括标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据之间的比较数据以及标记有指示患病状态的第二类别值的与在未患病组织和患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据之间的比较数据。
另外,比较数据是两个光谱数据的差。
另外,比较数据包括两个光谱数据的比值。
另外,身体组织包括皮肤,并且疾病包括皮肤癌。
另外,疑似样本和正常样本具有大体上相同的皮肤特性。
另外,疑似样本和正常样本之间的距离小于预定距离。
另外,该方法还包括使第一光谱数据和第二光谱数据正规化(或规范化)。
另外,正规化包括基于第一光谱数据的能量来处理第一光谱数据,以及基于第二光谱数据的能量来处理第二光谱数据。
另外,正规化包括调节第一光谱数据和第二光谱数据中的至少一者的强度,以使第一光谱数据和第二光谱数据具有相等的能量。
另外,该方法还包括:当第一光谱数据的能量小于第一阈值时,输出指示将脉冲激光重新投射到疑似样本的消息;当第二光谱数据的能量小于第一阈值时,输出指示将脉冲激光重新投射到正常样本的消息。
另外,当第一光谱数据的最大峰值高于第一阈值时,输出指示将脉冲激光投射到疑似样本的消息;并且当第二光谱数据的最大峰值高于第一阈值时,输出指示将脉冲激光投射到正常样本的消息。
另外,该方法还包括对第一光谱数据和第二光谱数据进行标准化。
另外,标准化包括:基于与多个测量的波长相对应的第一光谱数据的多个强度值来生成第一光谱曲线;通过从第一光谱曲线提取与多个预定标准波长相对应的多个强度值来处理第一光谱数据;基于与多个测量的波长相对应的第二光谱数据的多个强度值来生成第二光谱曲线;以及通过从第二光谱曲线中提取与多个预定标准波长相对应的多个强度值来处理第二光谱数据。
另外,处理后的第一光谱数据和第二光谱数据包括与多个波长相对应的相同数量的强度值,并且与处理之前的第一和第二光谱数据的与多个波长相对应的强度值的数量相比,处理后的第一光谱数据和第二光谱数据包括更多数量的与多个波长相对应的强度值。
另外,人工神经网络的输入层的输入节点的数量等于预定标准波长的数量;并且对应于每个预定标准波长的每个强度值分别输入到每个输入节点。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断患者的身体组织的疾病的方法,包括:获得与从通过投射脉冲激光诱导等离子体消融的疑似样本中接收到的光相关的第一光谱数据;获得与从通过投射脉冲激光诱导等离子体消融的未患病的样本中收集的光相关的第二光谱数据;以及通过使用通过学习集学习的人工神经网络,根据第一光谱数据和第二光谱数据的比较数据确定疑似样本是否患病,该学习集包括标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据以及标记有指示患病状态的第二类别值的与在未患病组织和患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
根据本公开的另一方面,提供了一种诊断装置,包括:激光投射模块,其将脉冲激光投射到样本;光接收模块,其接收由脉冲激光在样本上诱发导的等离子体消融生成的光,其中,由等离子体消融生成的光包括具有连续光谱特性等离子体发射光和具有非连续光谱特性的特定元素发射光;光谱测量模块,其从接收到的光中获取光谱数据;以及控制器:获得与从被通过激光投射模块投射的脉冲激光从的目标样本接收的光有关的第一光谱数据和与通过从被激光投射模块投射的脉冲激光从的未患病的参考样本接收的光有关的第二光谱数据,并且通过使用利用第一学习集和第二学习集学习的人工神经网络,基于第一光谱数据和第二光谱数据的比较数据来确定目标样本是否患病,该第一学习集包括标记有指示未患病状态的类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据,该第二学习集包括标记有指示患病状态的类别值的与在未患病组织和患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
另外,激光投射模块照射具有纳秒、微微秒或飞秒脉冲持续时间的脉冲激光。
另外,光接收模块从第一时间点到第二时间点接收光,其中第一时间点是脉冲激光投射后的前100ns,并且第二时间点是脉冲激光投射后的1us之后。
另外,光接收模块测量与波长范围有关的光谱,其中该波长范围在小于300nm的第一波长与大于700nm的第二波长之间。
根据本公开的一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的方法,包括:准备激光设备,激光设备包括:发光单元,其生成被诱导为具有规定的波长的激光并且将激光输出到身体组织的目标区域;光收集单元,其接收当激光进入身体组织而使一部分身体组织消融时出现的多种光,被配置为具有相对于发光单元朝向激光进入的目标区域的规定角度,并且接收多种光;光信号转换器,其通过检测多种光的一部分来生成检测信号;引导单元,其调节脉冲激光从发光单元的一端到目标区域的投射距离;以及投射激光,以通过在身体组织的目标区域上诱导组织消融来发生等离子体;其中,提供了通过调节激光的光学值或光路并通过结合由引导单元引导的长度而投射到目标区域的激光的对象区域,并且其中,对象区域位于目标区域的内部,使其具有小于目标区域的面积。
另外,发光单元具有预定的脉冲能量和脉冲持续时间,以基于对象区域的面积具有0.1GW/cm2或更高的功率密度,以便在目标区域生成等离子体。
另外,用于目标区域的激光的量小于40J/cm2,以使除了在目标区域处的组织消融以外在比目标区域更深的预定深度的位置处发生的组织损伤最小化。
根据本公开的另一方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的诊断装置,包括:壳体,其在其外表面上设置有由用户抓握的抓握部;激光输出单元,其安装在壳体内部并发射高功率脉冲激光,以在将要诊断的组织所在的目标区域内诱导组织消融;光控制单元,包括:光路控制装置,其安装在壳体内部以位于脉冲激光的路径上并穿过脉冲激光,从而控制脉冲激光的至少一部分的光路,其中,当脉冲激光穿过光路控制装置时,在垂直于脉冲激光的行进方向的横截面积的每单位面积上接收的能量强度在与激光输出单元相距第一距离的点处最大;光收集单元,其配置为与发光单元朝向目标区域成规定角度,并从目标区域接收根据组织消融生成的光;以及引导单元,包括:延伸部,其从壳体沿脉冲激光的行进方向延伸;以及接触部,其形成在该延伸部的端部以与身体组织接触,其中,延伸部延伸为使得当接触部接触身体组织时,接触部位于与激光输出单元相距第二距离的点处。
另外,在与激光输出单元相距第二距离的点处,与脉冲激光的行进方向垂直的横截面积的每单位面积接收的能量强度大于用于诱导的组织消融的每单位面积上接收的能量强度。
根据本公开的另一个方面,提供了一种通过使用LIBS(激光诱导击穿光谱法)来诊断身体组织的疾病的诊断装置方法,包括:激光输出模块,其发射高功率脉冲激光以在要诊断的组织所在的目标区域中诱导组织消融,并且包括:改变脉冲激光的光路以控制用于诱导目标区域的组织消融的脉冲激光的能量的光控制透镜,和用于控制脉冲激光从光控制透镜到目标区域的投射距离的引导单元;光收集模块,其相对于脉冲激光的投射路径成规定角度,配置为朝向目标区域,并获取与脉冲激光诱导的组织消融相关的等离子体光;分析模块,其获得与目标区域上诱导的组织消融所生成的光的光谱有关的目标光谱信息,并确定目标区域中的疾病;其中,光控制透镜限定为有第一区域和第二区域,其中,第一区域和第二区域的折射率不同,以防止在用于诱导组织消融的脉冲激光的投射距离上过度集中投射,其中,由于第一区域和第二区域的折射率之间的差异,光聚焦区域出现在由于第一区域和第二区域的折射率之间的差而分离的在从作为光控制透镜的焦距的位置在脉冲激光的投射方向上的预定区域中出现光聚焦区域,并且其中引导单元具有预定长度,使得目标区域位于光聚焦区域中,以当脉冲激光投射到目标区域时,防止在比目标区域的位置更深的预定深度处的下部组织中受到影响。
根据本公开的一个方面,提供了一种诊断装置,包括:壳体,在其一端形成有朝向位于患者的皮肤的一点处的样本的开口;激光投射模块,其安装在壳体内部并向样本投射脉冲激光;以及触发模块,其安装在壳体内部时位于激光投射模块的后侧,并且通过接收从样本反射的脉冲激光的反射光来输出触发信号。
另外,触发模块通过激光投射模块接收作为从激光投射模块输出并从样本反射的脉冲激光的反射光。
另外,诊断装置还包括从壳体的一端朝着样本延伸并且其一端与患者的皮肤接触的引导架。
另外,引导架延伸,使得当引导架的端部接触皮肤时,脉冲激光的焦点位于样本上。
另外,诊断装置还包括位于壳体的外部并且接收由脉冲激光在样本处诱导的等离子体消融所生成的光的光收集单元。
另外,光收集模块将收集的光提供给分光模块,用于利用光谱方法分析由等离子体消融生成的光。
另外,通过输出触发信号之后立即测量预定时间间隔内入射光的光谱,分光模块产生由等离子体消融引起的具有连续光谱特性的等离子体发射光和具有非连续光谱特性的元素特定发射光的光谱数据。
另外,触发模块在从脉冲激光的入射时间开始的至少10ns的时间内输出触发信号,以供分光模块检测具有连续光谱特性的等离子体发射光。
另外,预定时间间隔设定为至少等于或大于1us,使得分光模块检测具有非连续光谱特性的元素特定发射光。
另外,分光模块提供为重复曝光时段和重置时段的具有非门控型的传感器,并且在连续重复的多个曝光时段中通过包括触发信号的输出时间点的曝光时段,产生由等离子体消融生成光的光谱数据。
本说明书涉及一种使用激光诱导击穿光谱分析的诊断方法和用于执行该诊断方法的诊断装置。
这里,LIBS是将高功率的短脉冲激光投射到将被诊断的对象以形成等离子体并且对由等离子体生成的光进行光谱分析的技术。
等离子体是指接收高能量从而使带负电荷的电子与带正电荷的离子分离的材料的相。在等离子体中,粒子不断移动并且相互反应,以获取或失去能量,在这种过程中,粒子在相互之间发射和接收电磁波。一些电磁波发射到外部。从等离子体发射的电磁波可以包括在宽的波长范围内生成并且在等离子体中的自由电子由于周围粒子的磁场或电磁力而经历路线变化时发射的电磁波,以及与局限于原子核的电子的能级跃迁时生成的能量损失相对应的特定波长的电磁波。
这里,可以通过分析从等离子体发射的电磁波来确定材料的成分和状态。LIBS检查包括对象的成分和状态的特性,通过将激光投射到对象以诱导等离子体并且通过分析由等离子体生成的光的光谱来检查该对象。在本公开中,光谱是指能够指示光的特性或特征的指示符。例如,指示符可以表示为针对每个波长的光量、光的强度或其能量。
在下文中,激光投射到的对象,即,LIBS的对象,被称为“样本”。即,在本公开中,“样本”可以指作为频谱分析的对象的目标。因此,“样本”可以理解为在LIBS处理中激光投射到的目标。
通常,在本公开中,样本可以是诊断的目标,即,诊断或检查的对象,但是光谱分析的目标不一定与诊断的对象一致。例如,样本可以包括经过LIBS以与诊断目标进行比较的目标。因此,样本并不限于诊断目标,而应当理解为涵盖光谱分析的所有对象的综合含义。
在本公开中,各种目标可以成为样本。例如,当对患者进行疾病诊断等时,样本还可以是除皮肤、内部和外部组织碎片、各种细胞、血液、唾液等以外构成患者身体的组成部分的一部分。除上述说明以外,当将对除化学物质以外的各种非生物材料进行诊断时,样本可以包括诸如金属或非金属、无机材料等各种材料。换句话说,在本公开中,样品应当理解为包括将成为光谱分析对象的任何材料的综合概念。
此外,在本公开中,“诊断”具有包括除将使用LIBS分析的目标的状态或成分以外的特性确定以及基于该特性确定的第二确定的综合概念。例如,诊断可以包括特定材料的成分分析。可选择地,诊断不仅可以包括诸如样本的性质、特征等关于目标分析的特定信息的确定,还可以包括患者疾病的确定或者先前分析的样本与重新分析的样本之间的相似处的确定。作为特定的示例,在本公开中使用LIBS的诊断可以用于确定人体是否患有疾病或生病或者用于获得诸如人体的特定细胞含量、皮肤年龄和有害物质含量等生物统计数据。
在下文中,将参照图1至图4说明根据本公开的一个实施例的诊断***100。
根据本公开的一个实施例的诊断***100是用于使用LIBS对样本执行诊断的***。
图1是示出根据本公开的一个实施例的诊断***100的框图。
参照图1,诊断***100可以包括LIBS单元1200和诊断单元1400。在诊断***100中,LIBS单元1200可以将激光投射到样本上以形成等离子体并且从等离子体获得光谱数据,并且诊断单元1400可以基于从LIBS单元1200获得的光谱数据对诊断对象执行诊断。
LIBS单元1200可以将激光投射到样本。等离子体消融可以发生在激光投射到的样本中。在这种情况下,等离子体可以形成在其中发生等离子体消融的样本中。即,LIBS单元1200可以通过将激光投射到样本以诱导等离子体消融到样本来形成等离子体。
LIBS单元1200可以收集来自样本的光。这里,由LIBS单元1200收集的光可以包括从投射到样本的激光中衍生的激光衍生光以及由于在样本中诱发的等离子体消融生成的光。由于投射到样本的激光,激光衍生光可以包括反射光、散射光和荧光。由于等离子体消融生成的光可以包括根据等离子体发射的光和根据元素特定发射的光。下面将更详细地说明根据等离子体发射的光和根据元素特定发射的光。
LIBS单元1200可以通过利用光谱方法分析收集的光来获得光谱数据。这里,光谱数据可以包括关于光的光谱的信息。具体地,光谱数据可以包括关于针对光的每个波长测量的强度的数据。这里,光谱数据可以包括通过对光的光谱采样和数字化而获得的信息。例如,当LIBS单元1200利用光谱方法划分收集的光以在预定时间内测量每个波长的强度时,光谱数据可以包括与光的测量量成比例的一组强度值。在本公开中,光谱数据可以通过利用光谱方法划分由LIBS单元1200收集的光来获得。因此,根据利用光谱方法划分光或感测光的构造,光谱数据可以具有特定的波长范围。在LIBS单元1200中获得的光谱数据可以用于诊断单元1400中的诊断。
诊断单元1400可以基于光谱数据执行诊断。具体地,诊断单元1400可以从LIBS单元1200获得光谱数据并且基于光谱数据执行诊断。
为了执行诊断,诊断单元1400可以使用用于大数据和人工智能的技术。例如,诊断单元1400可以执行机器学习的程序以对样本执行诊断。下面将更详细地说明其中在诊断单元1400中执行诊断的示例。
上述诊断***100可以在物理上设置为单个设备或多个设备。例如,诊断***100可以设置为LIBS单元1200和诊断单元1400物理地集成的单个诊断设备。即,诊断***100可以实现为物理上的单个设备。可选择地,当LIBS单元1200和诊断单元1400设置为物理上分开的设备时,诊断***100可以实现为包括多个设备的***。即,诊断***100可以实现为诸如LIBS装置和诊断装置等两个设备。可选择地,应当注意,诊断***100的物理实现方式不限于上述示例。
上述诊断***100可以以各种形式实现。在下文中,将说明根据本公开的一个实施例的诊断***100的一些示例。
根据一个示例,诊断***100可以在独立型***中实现。这里,独立型可以指的是能够独立地执行根据本公开的一个实施例的诊断方法而不需要额外的外部设备的形式。
图2是示出根据本公开的一个实施例的诊断***100的示例100a的框图。
参照图2,独立型诊断***100a可以包括:用于将激光投射到样本的组件;用于收集从样本中形成的等离子体生成的光的组件;用于获得所收集的光的光谱数据的组件;以及用于分析光谱数据以对样本进行诊断的组件,从而独立地执行诊断方法的整个过程而无需外部设备。
可选择地,诊断***100可以在附加型***中实现。这里,附加型可以指的是能够与外部设备协同执行根据本公开的一个实施例的诊断方法的形式。
图3是示出根据本公开的一个实施例的诊断***100的另一示例100b的框图。
附加型诊断***100b可以以其中从独立型诊断***100a中省略一些组件的形式来设置。例如,除将激光投射到样本上的组件以外,还可以构成附加型诊断***100b。在这种情况下,如图3所示,根据本公开的一个实施例的诊断方法可以通过将用于将激光投射到样本的外部设备10与附加型诊断***100b协作来执行。可选择地,外部设备10可以设置为激光投射设备、光收集器、光谱分析设备或其组合。在这种情况下,可以从附加型诊断***100b中省略用于执行外部设备10的处理功能的组件。同时,附加型诊断***100b可以在诊断***的一些或全部组件安装在外部设备10中的状态下使用。在图3中,与外部设备10相对应的部分由虚线示出,而与诊断***100相对应的部分由实线示出。
在下文中,将说明根据本公开的一个实施例的LIBS单元1200。
根据本公开的一个实施例,为了执行诊断,LIBS单元1200可以将激光投射到样本。此外,LIBS单元1200可以从由于激光投射形成在样本上的等离子体收集光。此外,LIBS单元1200可以获得来自收集的光的光谱数据。
图4是示出根据本公开的一个实施例的LIBS单元1200的框图。
参照图4,LIBS单元1200可以包括激光照射模块1210、光接收模块1220、光谱测量模块1230、触发模块1240、第一控制器1250、第一存储器1260和第一通信模块1270。
根据本公开的一个实施例,激光照射模块1210将激光投射到样本1,光接收模块1220收集来自激光所投射到的样本1的光,光谱测量模块1230检测收集的光的每个波长的强度,并且第一控制器1250基于光谱测量模块1230的检测结果生成光谱数据,使得LIBS单元1200可以获得样本1上的光谱数据。
在下文中,将说明根据本公开的一个实施例的LIBS单元1200的每个构造。
激光照射模块1210可以将激光投射到样本1。可选择地,激光照射模块1210可以引导从外部设备10输出的激光以投射到样本1。
激光诱导击穿现象可以在激光投射到的样本1中生成。具体地,当激光通过激光照射模块1210投射到身体组织时,一部分身体组织被消融使得可以形成等离子体。如上所述,为了生成激光诱导击穿现象,诸如激光强度、投射区域等特性应当满足特定条件。到目前为止,激光照射模块1210可以调整投射到样本1的激光的特性。这里,投射区域可以是投射到样本1的激光入射到其中的区域。
在下文中,将详细说明激光照射模块的详细构造。
再次参照图4,激光照射模块1210可以包括活性激光介质1212、激光调节件1214和引导件1216。
根据本公开的一个实施例,激光照射模块1210可以使用活性激光介质1212生成激光。此外,激光调节件1214可以设定或改变激光的诸如强度、投射区域、焦距等特性。引导件1216可以设定样本1和激光照射模块1210之间的位置关系,使得激光适当地投射到样本1。
活性激光介质1212可以接收能量以生成激光。激光照射模块1210可以以连续光束或脉冲光束的形式输出从活性激光介质1212生成的激光。这里,当输出脉冲激光时,从活性激光介质1212生成的激光可以通过脉冲信号来激发,或者可以使用Q开关和模式同步,并且调整脉冲持续时间以使得输出强度(每单位时间的能量)可以通过激光进行调整。此外,激光照射模块1210可以输出具有特定波长的激光。在这种情况下,输出的激光的波长可以通过活性激光介质1212的种类来确定。例如,当活性激光介质1212设置为Nd:YAG材料时,激光照射模块1210可以输出波长为1064nm的激光、谐波波长为1064nm的激光或1064nm激光为谐波激光的激光。
激光调节件1214可以改变投射到样本1的激光的特性。具体地,激光调节件1214可以调整在活性激光介质1212或外部设备中生成的激光的特性。换句话说,激光调节件1214可以改变在活性激光介质1212或外部设备中生成的激光的特性,然后输入到激光调节件1214以输出具有改变的特性的激光。例如,激光器的特性可以包括激光的强度、形状、焦距、在特定距离处的投射区域等。
激光调节件1214可以调整激光的特性以满足特定条件。
例如,激光调节件1214可以调整激光的强度。例如,激光调节件1214可以将投射到样本1的激光的强度调整为大于或等于在样本1中形成等离子体的强度。例如,激光调节件1214还可以将投射到样本1上的激光的强度调整为小于或等于样本1中发生损伤处的强度。激光调节件1214可以通过将激光的强度调整为大于在样本1中形成等离子体的强度并小于样本1中发生损伤处的强度来对样本1执行无损测试。
可选择地,激光调节件1214可以改变激光的形式。这里,激光的形式可以包括准直光束、聚焦光束和散焦光束。例如,激光调节件1214可以将输入为准直光束的激光改变为聚焦光束的激光并且输出聚焦激光。例如,激光调节件1214还可以将输入为聚焦光束的激光改变为准直光束的激光并且输出准直激光。
同时,当改变激光的形式时,可以确定投射到样本1的激光的投射区域。因此,可以确定由激光施加到样本1的能量的强度。
这里,激光调节件1214可以设置为包括诸如透镜、滤光器、镜子、针孔等光学元件的光学部件,以改变投射到样本1上的激光的特性。例如,激光调节件1214可以设置为具有特定透射率的滤光器,以减小激光的强度。可选择地,激光调节件1214可以设置为准直透镜,以将输入的聚焦激光输出为准直激光。同样,可选择地,激光调节件1214可以设置为将激光的焦距改变为特定长度的聚焦透镜。
引导件1216可以设定样本1和激光照射模块1210之间的位置关系。因此,引导件1216可以设定投射到样本1的激光的投射距离。这里,投射距离指的是从激光照射模块1210发射的激光和样本1之间的距离,并且应该理解为与激光的焦距不同的概念。此外,引导件1216可以通过设定激光的投射距离来设定激光相对于样本1的投射区域。
引导件1216可以从激光照射模块1210的一个点沿激光的投射方向延伸。例如,引导件1216的一端连接到发射激光的激光照射模块1210的端部,并且引导件1216可以设置为沿从激光照射模块1210的端部发射激光的方向延伸的杆、棒、中空圆柱等形式。可选择地,先前已经指出,引导件1216的形状不限于上述示例。例如,引导件1216可以设置为透明材料的实心圆柱。
引导件1216的另一端可以与样本1或其边缘接触。因此,由于引导件1216的延伸长度,可以设定样本1与激光照射模块1210之间的位置关系和投射距离。
此外,引导件1216可以设定激光的投射区域,从而设定通过投射到样本1的激光施加到样本1的每单位面积的能量。
例如,当投射到样本1的激光的形状是聚焦光束时,由于引导件1216将激光的投射距离设定为远离激光的焦点,因此可以设定更大的投射区域,并且可以减小施加到样本1的每单位面积的能量强度。
这里,施加到样本1的每单位面积的能量强度不仅可以通过由引导件1216的延伸长度确定的投射区域来确定,并且可以通过从活性激光介质1212输出的激光的特性和在激光调节件1214中改变的激光的特性来确定。下面将说明其更详细的描述。
同时,上述激光照射模块1210的所有组件不是必需的。因此,可以从激光照射模块1210中省略上述组件中的一些。例如,当不需要调整投射到样本1的激光的强度时,可以省略激光调节件1214。可选择地,可以从附加型诊断***100b中省略活性激光介质1212。
根据本公开的一个实施例,光接收模块1220可以收集来自样本1的光。此外,光接收模块1220可以将收集的光提供给光谱测量模块1230和/或触发模块1240。
再次参照图4,根据本公开的一个实施例的光接收模块1220可以包括光接收元件1221和光传输元件1222。
光接收元件1221可以收集来自样本1的光。例如,光接收元件1221可以是布置成接收来自样本1的光的诸如透镜等的入射部分。因此,光接收元件1221可以接收当激光投射到样本1时引起的激光衍生光以及由于激光投射而生成的等离子体光。
光传输元件1222可以将收集的光传输到光谱测量模块1230和/或触发模块1240。例如,光传输元件1222可以设置为用来传输光的诸如光缆、光纤等各种部件的一者。
光谱测量模块1230可以检测输入光的每个波长的强度。例如,光谱测量模块1230可以检测通过光传输元件1222接收由光接收模块1220收集的光而收集的光的每个波长的强度。
这里,光谱测量模块1230可以通过利用光谱方法划分输入的光以及根据利用光谱方法划分的光的每个波长的强度输出电信号来检测每个波长的强度。如下所述,第一控制器1250可以使用光谱测量模块1230的检测结果(例如,电信号)来生成光谱数据。
再次参照图4,根据本公开的一个实施例的光谱测量模块1230可以包括光谱元件1231和传感器阵列1232。
光谱元件1231可以利用光谱方法对输入到光谱测量模块1230的光进行分光。这里,输入到光谱测量模块1230的光可以是由光接收模块1220从样本1中收集的光。
光谱元件1231可以使用光干涉现象、光衍射现象和光折射现象中的至少一种根据光的波长或频率来分离光的传播路径。光谱元件1231的典型示例是衍射光栅或棱镜。
传感器阵列1232可以检测针对每个波长分离的光的强度。传感器阵列1232可以设置为使得用于接收不同波长的光的多个传感器以阵列形式布置在根据波长分离的光的传播路径上。每个传感器可以输出具有与接收的光的强度或光量相对应的电压值或电流值的电信号。因此,传感器阵列1232可以检测每个波长的光的强度。
传感器阵列1232可以包括各种设备。例如,传感器阵列1232可以包括光电二极管、光电晶体管、光电断路器、光电耦合器、硫化镉(CdS)电池、太阳能电池和电荷耦合器件(CCD:charged coupled device)、互补金属氧化物半导体(CMOS:complementary metal-oxide semiconductor)传感器和雪崩光电二极管(APD:avalanche photo diode)中的至少一者。
由传感器阵列1232检测的波长范围可以根据传感器阵列1232相对于光谱元件1231的相对位置来设定。例如,当传感器阵列1232布置成远离光谱元件1231时,可以检测到更宽的波长范围。同时,当多个传感器的阵列间隔在传感器阵列1232中恒定时,相对于波长的分辨率可以随着检测到的波长范围的增大而降低。
同时,可能需要设定传感器阵列1232检测光的波长范围,以排除投射到样本1的激光的波长(在下文中,称为“投射波长”)。例如,传感器阵列1232可以布置在传播波长的传播路径的外部,使得投射波长的光不被传感器阵列1232接收。具体地,例如,当具有1064nm波长的激光投射到样本1时,传感器阵列1232可以布置在波长为200nm~800nm的光的传播路径上。可选择地,传感器阵列1232布置在投射波长的传播路径上,并且位于投射波长的传播路径上的特定传感器经过掩盖处理(blind process)或者被遮蔽,使得传感器阵列1232可能不接收传播波长的光。
如上所述,其中将传播波长排除在检测波长范围之外的传感器阵列1232可能无法检测到具有与传播波长相似的波长的激光衍生光。同时,当光学器件检测激光衍生光时,由于激光衍生光的强度或能量高,因此可能损伤光学器件。例如,当传感器阵列1232检测传播激光或激光衍生光时,传感器阵列1232可能饱和而不执行光检测功能。因此,如上所述,传感器阵列1232可以通过不接收诸如激光衍生光等传播波长的光来防止损伤。
触发模块1240可以执行触发操作。这里,触发操作可以表示指示激光投射时间、激光诱导击穿的开始时间和等离子体生成时间中的至少一者的操作。如下所述,触发操作可以用于确定光谱测量模块开始对由于激光诱导击穿而生成的光进行光谱测量或者对由于激光诱导击穿而生成的光执行光谱测量的时间段。
例如,当触发模块1240接收投射到样本1的激光或接收来自样本1的反射光时,触发模块1240可以输出触发信号以执行触发操作。在这种情况下,触发模块1240可以设置为用于根据光的接收来输出电信号的光学传感器。这里,布置在接收投射波长的位置处的传感器阵列1232的特定传感器可以用作触发模块1240。
可选择地,当触发模块1240接收用于生成将投射到样本1的激光的电信号时,触发模块1240可以输出触发信号以执行触发操作。除以上说明外,用于生成激光的电信号可以用作触发信号。
第一通信模块1270可以执行与外部设备的通信。LIBS单元1200可以通过第一通信模块1270向诊断单元1400或外部服务器发送数据以及从诊断单元1400或外部服务器接收数据。例如,LIBS单元1200可以基于由光谱测量模块1230检测到的光量将光谱数据或电信号通过第一通信模块1270传输到诊断单元1400。可选择地,LIBS单元1200可以通过第一通信模块1270访问因特网来上传光谱数据。
第一通信模块1270大致分为有线型模块和无线型模块。由于有线型模块和无线型模块的每个具有优点和缺点,因此在某些情况下,有线型模块和无线型模块可以同时设置在LIBS单元1200中。
这里,在有线型模块的情况下,局域网(LAN)或通用串行总线(USB)通信是典型示例,并且也可能是其他方法。这里,在无线型模块的情况下,可以主要使用诸如蓝牙或物联网等基于无线个人区域网(WPAN:wireless personal area network)的通信方法。然而,由于无线通信协议并不限于此,因此无线型通信模块可以使用诸如无线网(Wi-Fi)等基于无线局域网(WLAN)的通信方法或其他已知的通信方法。
第一存储器1260可以存储各种信息。各种数据可以临时或半永久地存储在第一存储器1260中。第一存储器1260的示例包括硬盘驱动器(HDD)、固态驱动器(SSD)、闪存、只读存储器(ROM)、随机存取存储器(RAM)等。第一存储器1260可以设置为嵌入在LIBS单元1200中或从其可拆卸的形式。
除了用于操作LIBS单元1200的操作***(OS)或用于操作LIBS单元1200的每个组件的程序以外,第一存储器1260可以存储LIBS单元1200的操作所需的各种数据。例如,第一存储器1260可以存储光谱数据和基于由光谱测量模块1230检测到的光量生成的电信号。
第一控制器1250可以控制LIBS单元1200的整体操作。例如,第一控制器1250可以从第一存储器1260加载用于光谱测量模块1230的操作的程序并且执行该程序、生成控制信号以控制来自激光照射模块1210的激光的投射、接收来自触发模块1240的触发信号以将触发信号传输到光谱测量模块1230。
第一控制器1250可以根据硬件、软件或其组合实现为中央处理单元(CPU)或类似于CPU的设备。第一控制器1250可以设置为用于处理电信号以执行控制功能的电子电路的硬件形式。第一控制器1250可以设置为用于驱动硬件电路的程序或代码的软件形式。
LIBS单元1200可以具有单独的电源单元或者以有线或无线方式从外部接收电力。LIBS单元1200可以具有用于控制电源单元的单独的开关。
在下文中,将说明根据本公开的一个实施例的诊断单元1400。
根据本公开的一个实施例,诊断单元1400可以对样本1执行诊断。此外,诊断单元1400可以向用户提供对样本1执行的诊断的结果。
在诊断样本1时,诊断单元1400可以使用各种数据。例如,诊断单元1400可以使用光谱数据、图像数据和声学数据中的至少一种。
这里,诊断单元1400可以从LIBS单元1200接收用于诊断样本1的数据。诊断单元1400可以从LIBS单元1200获得光谱数据并且使用该光谱数据对样本1进行诊断。具体地,例如,当LIBS单元1200将激光投射到样本1以形成等离子体并且将通过利用光谱方法对来自等离子体的等离子体光进行分析而获得的光谱数据提供给诊断单元1400时,诊断单元1400可以使用光谱数据来确定样本1中是否存在疾病。
图5是示出根据本公开的一个实施例的诊断单元1400的框图。
参照图5,诊断单元1400可以包括第二控制器1410、输入模块1420、输出模块1430、第二通信模块1440和第二存储器1450。
根据本公开的一个实施例,第二控制器1410使用第二通信模块1440从LIBS单元1200获取关于样本1的光谱数据,使用存储在第二存储器1450中的诊断程序来确定诸如是否患有疾病、健康状况、成分等样本1的状态,并且将确定结果输出到输出模块1430,以使得诊断单元1400可以对样本1进行诊断。
在下文中,将说明根据本公开的一个实施例的诊断单元1400的每个组件。
第二通信模块1440可以执行与外部设备的通信。诊断单元1400可以使用第二通信模块1440与LIBS单元1200或外部服务器进行数据通信。例如,诊断单元1400可以使用第二通信模块1440获得来自LIBS单元1200的对样本1进行诊断所需的数据。
可以类似于第一通信模块1270来设置第二通信模块1440,因此,这里将省略其更详细的说明。
第二存储器1450可以存储诊断单元1400的各种信息。
除用于驱动诊断单元1400的OS或用于操作诊断单元1400的每个构造的程序以外,第二存储器1450还可以存储诊断单元1400的操作所需的各种数据。例如,第二存储器1450可以存储用于处理关于样本1的光谱数据的程序和用于数据分析的人工神经网络。
可以类似于第一存储器1260来设置第二存储器1450,因此,这里将省略其更详细的说明。
输入模块1420可以接收来自用户的用户输入。用户输入可以为诸如按键输入、触摸输入和语音输入等各种形式。输入模块1420是不仅包括具有传统形式的小键盘、键盘和鼠标以及用于感测用户触摸的触摸传感器而且还包括用于感测或接收各种类型的用户输入的各种类型的输入部件的综合概念。此外,代替用于直接感测用户输入的设备,输入模块1420可以实现为将用于接收用户输入的外部输入设备与电子设备相连接的输入接口(USB端口、PS/2端口等)的形式。
输出模块1430可以输出各种信息并且将其提供给用户。输出模块1430是包括用于输出图像的显示器、用于输出声音的扬声器、用于生成振动的触觉设备以及各种类型的输出部件的综合概念。除以上说明之外,输出模块1430可以实现为用于将各个输出部件连接到电子设备的端口型的输出接口的形式。
第二控制器1410可以控制诊断单元1400的整体操作。例如,第二控制器1410可以生成控制信号,以便加载用于处理和分析来自第二存储器1450的数据的程序、处理和分析从LIBS单元1200获得的数据,并且通过输出模块1430将处理和分析的结果提供给用户。
可以类似于第一控制器1250来设置第二控制器1410,因此,这里将省略其更详细的说明。
诊断单元1400可以具有单独的电源单元或者以有线或无线的方式从外部接收电力。诊断单元1400可以具有用于控制电源单元的单独的开关。
在下文中,将说明根据本公开的一个实施例的诊断方法。在下面的说明中,将说明由上述诊断***100执行的根据本公开的一个实施例的诊断方法。然而,由于这仅是为了便于说明,因此根据本公开的一个实施例的诊断方法并不限于由上述诊断***100执行。即,以下将说明的诊断方法不必仅由上述诊断***100执行,而是可以由具有类似于上述诊断***100的功能的另一***或设备执行。
图6是示出根据本公开的一个实施例的诊断方法的流程图;而图7是示出其中执行根据本公开的一个实施例的诊断方法的过程的示例图。
参照图6,根据本公开的一个实施例的诊断方法可以包括:对样本照射激光(S1100);从样本上收集光(S1200);从收集的光中获得光谱数据(S1300);以及使用获得的光谱数据诊断样本(S1400)。
在下文中,将更详细地说明上述操作。
诊断***100可以将激光照射到样本1(S1100)。具体地,如图7所示,LIBS单元1200的激光照射模块1210可以将激光投射到样本1。这里,激光照射模块1210可以直接生成激光以将激光输出到样本1或者从外部设备10中接收激光以将激光输出到样品1。
在激光投射到的样本1上引起等离子体消融,使得等离子体可以形成在样本1或其边缘。这里,投射到样本1的激光可以包括具有预定强度、预定周期和预定形式的脉冲激光,以便引起样本1中的消融和形成等离子体。投射到样本1的激光的强度、周期和形状可以由激光照射模块1210设定或调整。
诊断***100可以收集与来自样品1的激光投射有关或由激光投射引起的光(S1200)。具体地,如图7所示,LIBS单元1200的光接收模块1220可以接收来自样本1的光。
例如,如图7所示,当激光投射到样本1上时,光可以在各个方向上发射,并且光接收模块1220可以接收发散光的至少一部分。
这里,收集的光可以通过光传输元件1222提供给光谱测量模块1230和/或触发模块1240。
诊断***100可以获得关于收集的光的光谱数据(S1300)。具体地,LIBS单元1200的光谱测量模块1230可以接收来自光接收模块1220的收集的光并且生成关于所收集的光的光谱数据。更具体地,如图7所示,光谱元件1231可以接收来自光接收模块1220的收集的光并且根据波长利用光谱方法划分所收集的光,并且传感器阵列1232可以针对每个波长测量经光谱方法划分的光的强度。这里,当接收到光时,触发模块1240可以生成触发信号并且将该触发信号输出到传感器阵列1232。传感器阵列1232可以使用触发信号来测量每个波长的强度。
诊断***100可以使用获得的光谱数据对样本1执行诊断(S1400)。更具体地,诊断单元1400可以使用由LIBS单元1200获得的光谱数据来执行诊断。例如,如图7所示,诊断单元1400可以使用数据分析程序等来处理光谱数据并确定样本1中是否存在疾病或样本1的状态。在分析光谱数据时,诊断单元1400可以使用人工神经网络、利用机器学习或大数据分析的诊断算法等。此外,诊断单元1400可以通过输出模块1430向用户提供对样本1执行诊断的结果。
在下文中,将更详细地说明由诊断***100结合诊断方法执行的一些操作。
下面将说明在由诊断***100结合诊断方法执行的操作中获得光谱数据的操作。然而,在说明获取光谱数据的操作之前,将说明由根据本公开的一个实施例的诊断***100获得的光谱数据。
根据本公开的一个实施例,诊断***100可以使用光谱数据对样本1执行诊断。
图8是示出根据本公开的一个实施例的激光诱导击穿的图。
根据本公开的一个实施例,当具有预定强度或更大强度的脉冲激光投射到样本1时,可能发生激光诱导击穿。这里,根据激光投射到样本1之后的经过时间,样本1可能引发各种现象。
当由于激光投射而将预定量的能量施加到样本1时,样本1的一部分可能会破裂并分离以形成蒸气,然后可能引发等离子体。例如,参照图8,当由于脉冲激光而将预定强度或更大强度的能量施加到样本1时,在投射激光之后约1ns的时间,样本1的一些粒子可能破裂,并且可能形成蒸气,并且等离子体羽流可能开始形成,以延伸到约10ns到几十纳秒的经过时间。这里,可以从等离子体发生等离子体发射,从而可以发射等离子体光。这里,等离子体发射具有诸如由于等离子体中的自由电子引起的电子回旋发射(ECE:electroncyclotron emission)、由于制动辐射和复合反应引起的发射等非特定发射的特性,或者具有由于连续发射而具有非特定波长的连续光谱。
随着时间的流逝,在样本1中形成的等离子体扩张并冷却,使得在激发的电子跃迁至特定能级时光发射发生。例如,再次参照图8,在将激光投射到样品1之后约1μs的时间,可能从样品1主动地发生元素特定发射。这里,在其中等离子体返回到诸如离子、原子或分子等状态的过程中,由于电子从特定能级到另一特定能级的跃迁而发生元素特定发射,从而元素特定发射可以具有线光谱或离散谱的特性。可选择地,元素特定发射不一定会在激光投射到样本1后约1μs的时间发生,而可能会在比激光投射后约1μs的时间更早的时间发生。
图9是示出根据本公开的一个实施例在激光诱导击穿期间发射的光的曲线图。
参照图9,从输出激光以到达样本1可能需要花费预定时间。例如,基于激光照射模块1210和样本1之间的距离,可能需要花费预定时间(例如1ns),直到脉冲激光从激光照射模块1210输出并到达样本1为止。此外,脉冲激光可以在脉冲持续时间内继续,并且脉冲激光的光学信号的强度可以根据脉冲激光的输出能量和脉冲持续时间来设定。
再次参照图9,在将激光投射到样本1之后,非特定发射可以在早期主要展现出来,然后元素特定发射可以在后期主要展现出来。例如,在将激光投射到样本1之后的约1ns至约1μs的时间段内,非特定发射可以主要展现出来,并且可以主要发射具有连续光谱的光。此外,在将激光投射到样本1之后的约1μs至约10μs的时间段内,元素特定发射可以主要展现出来,并且可以主要发射具有线光谱的光。此外,由于投射到样本1的激光而发射的生成的光的强度可以在早期增加,然后在后期减少。
因此,观察到的光谱可以根据在激光投射之后如何设定光谱测量时段而变化。因此,可以根据将要获得的光谱的形状来适当地选择光谱测量时段。例如,当检查样本1的特定元素含量时,为了获得元素特定光谱,可以在等离子体发射终止或减少之后设定光谱观察时段。例如,当分析从样本1生成的非特定发射时,观察时段可以设定为包括在激光投射之后维持等离子体发射的初始时间。
同时,由于参照图8和图9结合激光诱导击穿现象说明的时间或时间段仅是示例性的,因此,本公开的实施例并不限于此。例如,预先已经指出,上述时间或时间段可以根据样本的种类或状态以及所投射的激光的特性而变化,并且上述示例仅是为了便于说明。
接下来,下面将说明在某些时段内观察的光谱。
图10是示出根据本公开的一个实施例在第一时段中观察的光谱的图。
再次参照图9,第一时段可以是用于观察元素特定发射的光谱而设定的时段。
因此,第一时段可以设定为等离子体发射之后的时段,即,在具有连续光谱的非特定发射基本上终止之后的时段。即,第一时段可以设定为其中在样本1中产生的发射中的元素特定发射的比例占主导的时段。例如,第一时段可以是从将激光投射到样本1之后的约1μs的时间到投射激光之后的约10μs的时间的时段。
因此,在第一时段中可以观察到其中元素峰占主导的实质线光谱。这里,元素峰可以指的是在特定元素或成分发射具有唯一波长的光时在光谱上的相应波长处显示的峰。更具体地,当由于电子跃迁而从特定元素发射的且具有特定波长的光与围绕具有另一波长的光相比检测到相对较大的量时,元素峰可以解释为通过对应于在特定波长处测量的光强度值的光谱中显示的峰。例如,在图10所示的第一时段中观察到的光谱可以包括波长约为600nm左右的钠元素峰并且包括波长区域约为750nm~800nm的钾峰、氧峰等。同时,其中在光谱中展现出元素峰的波长可以称为峰值波长。
从物理上讲,如图10所示,由于等离子体发射引起的少量连续光谱包括在第一时段中观察到的光谱中,但是与由于元素特定发射引起的线光谱相比,可以忽略该连续光谱,或者该连续光谱仅具有在数据分析期间不会影响结果的水平,使得在本说明书中,图10所示的光谱可以理解为非连续光谱或线光谱。
图11是示出根据本公开的一个实施例在第二时段中观察到的光谱的曲线图。
再次参照图9,第二时段可以是设定用于观察等离子体发射(即,非特定发射)和元素特定发射的所有光谱的时段。
因此,第二时段的开始时间点可以设定为开始等离子体发射,即,开始具有连续光谱的非特定发射的时间点。例如,第二时段的开始时间点可以设定为将激光投射到样本1之后的约1ns的时间点。
这里,当观察等离子体发射以诊断样本1时,由于不需要观察整个等离子体发射,因此第二时段的开始时间点不必设定为开始非特定发射的时间点,并且也可以将充分维持非特定发射的时间点设定为第二时段的开始时间点。例如,当在激光投射之后的1ns~100ns的时段内进行实际的等离子体发射时,第二时段的开始时间点可以设定为在激光投射到样本1之后的至少100ns的先前的时间点。在这种情况下,当需要相对于特定观察区域的等离子体发射的至少30%用于分析样品1时,第二时段的开始时间点可以设定为可以收集根据相对于特定观察区域的总等离子体发射的光量的至少30%的时间点(例如,在激光投射之后的几十纳秒的时间点)。这里,特定观察区域可以是指由诸如光接收模块1220等观察部件观察的特定区域。因此,特定观察区域可以根据观察工具和样本1之间的位置关系而不同,并且相对于特定观察区域的等离子体发射可以理解为由于激光投射而生成的等离子体发射的由观察部件在特定区域中观察到的等离子体发射。即,由于相对于特定观察区域的等离子体发射引起的全部光可以是由于在样本1中形成的等离子体引起的全部光的一部分。
然而,当使用等离子体发射的光谱对样本1进行诊断时,随着光量的增加,诊断的准确性也可能会增加,因此优选的是,第二时段的开始时间点设定为在激光投射之后的10ns的先前的时间点。
这里,在第二时段中,当要观察由于等离子体发射引起的光谱和由于元素特定发射引起的光谱时,可以设定第二时段的结束时间点,使得第二时段包括超过其中发生元素特定发射的时段的一定水平。例如,第二时段的结束时间点可以设定为在激光投射到样本1之后的约10μs的时间点。因此,当要观察由于等离子体发射引起的光谱和由于元素特定发射引起的光谱时,第二时段可以设定为包括第一时段。这里,不必指定第二时段的结束时间点。例如,当可以充分抑制与诸如太阳光等外部光相关的因素时,第二时段的结束时间点可以设定为完全结束等离子体消融过程的任何时间点(例如,激光投射之后的1ms或1s的时间)。
同时,当根据需要仅需要观察等离子体发射(即,非特定发射)的光谱时,等离子体观察时段的开始时间点可以设定为第二时段的开始时间点,并且等离子体观察时段的结束时间点可以设定为元素特定发射的量成为预定水平或更高的先前的时间点。即,例如,等离子体观察时段的结束时间点可以设定为将激光投射到样本1之后的约1μs的时间点。
如图11所示,在第二时段中检测到的光谱可以包括由于等离子体发射引起的连续光谱和由于元素特定发射引起的线光谱。
如上所述,如图10所示,在第一时段中观察到的光谱还包括少量由于等离子体发射引起的连续光谱,但是与由于元素特定发射引起的线光谱相比,可以忽略该连续光谱,或者该连续光谱仅具有在数据分析期间不会影响结果的水平,而在第二时段中观察到的光谱主要包括由于等离子体发射引起的连续光谱和由于元素特定发射引起的线光谱。
在第二时段中检测到的光谱在物理意义上也是一种连续光谱。然而,在第二时段中观察到的光谱具有组合有由于等离子体发射引起的连续光谱和由于元素特定发射引起的线光谱的形式,从而在本说明书中,在第二时段中观察到的光谱将称为复合光谱(组合或混合光谱)。
同时,主要包括由于等离子体发射引起的连续光谱和由于元素特定发射引起的线光谱的复合光谱可以指,在使用本公开中的光谱数据执行诊断时,由于等离子体发射引起的连续光谱和由于元素特定发射引起的线光谱两者包括到足以被考虑的程度。
例如,在第二时段中检测到的光可以包括相对于特定观察区域由于等离子体发射引起的全部光的特定比率或更多。此外,在第二时段中检测到的光可以包括相对于特定观察区域由于元素特定发射引起的全部光的特定比率或更多。这里,与相对于特定观察区域的等离子体发射一样,相对于特定观察区域的元素特定发射可以是指在通过诸如光接收模块1220等观察工具观察到的特定区域内将激光投射到样本1时发生的元素特定发射中的元素特定发射。例如,在第二时段中检测到的光的光谱可以包括相对于特定观察区域由于等离子体发射引起的全部光的30%或更多的光谱。可选择地,在第二时段中检测到的光的光谱可以包括相对于特定观察区域由于等离子体发射引起的全部光的50%或更多的光谱。注意,30%和50%仅是示例性的比率。
另外,可选择地,在第二时段中检测到的光的光谱中,特定波长范围内的特定元素峰的强度值以及不对应于峰值波长的波长范围内强度值中的最大强度值可以分别大于或等于预定阈值。
另外,可选择地,在第二时段中检测到的光的光谱中,特定波长范围中峰值波长外的波长范围内的强度值之和与元素峰的总强度值可以分别大于或等于预定阈值。
另外,可选择地,在第二时段中检测到的光的光谱中,特定波长范围内的总强度值可以大于或等于预定阈值,并且特定元素峰的强度值中最大强度值和不对应于特定元素峰的强度值的比值可以落入预定比值范围内。
另外,可选择地,在第二时段中检测到的光的光谱中,特定波长范围内的总强度值大于或等于预定阈值,并且元素峰的总强度值之和与不对应于元素峰的强度值的比值可以落入预定比值范围内。
另外,可选择地,在第二时段中检测到的光的光谱中,元素峰的整体强度值与特定波长范围内的总强度值的比值以及不对应于元素峰的强度值之和与整体强度值的比值可以分别落入预定比值范围内。
在本公开的一个实施例中,可以使用上述复合光谱来执行诊断。
在常规LIBS中,检查元素等的含量比的方法主要使用图10所示的线光谱来执行。例如,发明名称为“Laser-induced breakdown spectroscopy for specimen analysis(用于样本分析的激光诱导击穿光谱法)(申请号:US10/662,347)”的美国专利公开了一种使用LIBS在生物样品上检测样品中微量元素存在或不存在的方法。这里,微量元素是指钠、铁、铝、钙、钾等,并且在美国专利中公开了一种使用离散的光谱特征以确定微量元素含量的方法。同时,这种方法在分析元素含量相对确定的金属体或无生命体时具有优异的效果,但是由于缺乏信息而在对每个样品的具有不同特性的生物体进行分析或诊断时,该方法的准确性受到限制。
尽管常规LIBS中使用的线光谱主要包括由于元素特定发射引起的元素峰,但是上述复合光谱不仅包括元素峰而且包括在由于等离子体发射引起的峰值波长外的波长范围内的强度值。因此,当使用复合光谱时,可以使用比线光谱更多的信息来执行诊断,从而可以提高诊断的灵敏度和/或特异性的准确性。
这里,在现有的LIBS中,复合光谱中峰值波长以外的波长范围内的强度值作为噪声或不必要的信息来处理,强度值的量大使得难以处理或分析强度值。根据本公开的一个实施例,如下所述,可以使用机器学习或人工智能技术来分析包括在复合光谱中的大量数据,因此有必要从样本1获得复合光谱。
根据本公开的一个实施例的获得光谱数据的操作可以解释为上述获得与复合光谱相关的每个波长的强度值的操作。具体地,根据本公开的一个实施例的诊断***100可以通过光谱数据获得操作来获取在第二时段的至少一部分中关于复合光谱的光谱数据。
在下文中,将说明其中诊断***100获得复合光谱或关于复合光谱的光谱数据(在下文中,称为复合光谱等)的一些实施例。
根据本公开的一个实施例,诊断***100可以通过门控方式获得复合光谱等。
根据本公开的一个实施例,光谱测量模块1230的传感器阵列1232可以以门控方式操作。这里,门控方式指的是使用基于开始信号来启动光检测的传感器阵列1232接收光的方式。例如,当施加开始信号时,以门控方式操作的传感器阵列1232可以从经过了预定的延迟时间的时间点开始在预定时间内进行光检测。可选择地,以门控方式操作的传感器阵列1232可以从开始信号的施加时间点到结束信号的施加时间点执行光检测。
在下文中,当根据本公开的一个实施例,LIBS单元1200以门控方式操作时,将参照图12说明传感器阵列1232的操作方法。
根据本公开的一个实施例,当LIBS单元1200以门控方式操作时,传感器阵列1232可以在满足特定条件时执行光检测操作。例如,当传感器阵列1232从第一控制器1250获得控制信号时,传感器阵列1232可以检测在光谱元件1231中利用光谱方法划分的光并且输出电信号。可选择地,当传感器阵列1232从触发模块1240获得触发信号时,传感器阵列1232可以检测在光谱元件1231中利用光谱方法划分的光并且输出电信号。
图12是示出根据本公开的一个实施例以门控方式操作的传感器阵列1232的图。
参照图12,传感器阵列1232可以具有曝光时段或积分时段以及重置时段或读出时段。这里,在曝光时段中,传感器阵列1232可以累积入射光。当累积光时,由于光电效应,传感器阵列1232生成反映累积光的强度、光量和能量的电信号。在重置时段中,传感器阵列1232可以输出根据在曝光时段期间入射的光生成的电信号。可选择地,在曝光时段期间,电信号可以从传感器阵列1232从外部读取。根据上述方法,传感器阵列1232的每个单独的传感器针对每个波长输出光的强度,从而生成光谱数据。此外,在重置时段中,可以重置由于传感器阵列1232中累积的光引起的电信号或电能,以便在下一个曝光时段中检测光。
曝光时段可以具有预定的曝光时间。这里,曝光时间可以设定为比显示出等离子体光的时间或显示出等离子体发射的时间更长。可选择地,曝光时间可以设定为比第二时段的长度更长。例如,曝光时间可以设定为约1ms或更长。由于曝光时间设定为比显示出等离子体光的时间或等离子发射时段更长,因此传感器阵列1232可以检测连续光谱、复合光谱等。
在重置时段中,传感器阵列1232可以输出与在曝光时段中累积的光量相对应的电信号或者执行去除在曝光时段中累积的光的重置操作。这里,重置时段可以具有用于执行重置操作的预定重置时间,并且重置时间可以设定为比曝光时间相对更短。例如,复位时间可以设定在1μs~2μs的范围内。
同时,上述曝光时间和重置时间仅是示例性的,因此本公开的实施例并不限于此。例如,曝光时间可以设定为约100ns,以便在将激光投射到样本1之后仅检测初始光谱。
在获得开始信号之后,以门控方式操作的传感器阵列1232可以具有上述曝光时段和重置时段,从而执行光检测操作。这里,开始信号可以包括用于指示传感器阵列1232以执行光检测操作的信号。这里,例如,开始信号可以是将在下文进行说明的触发信号。
根据示例,当接收到开始信号时,以门控方式操作的传感器阵列1232可以在经过了延迟时间之后进入曝光时段并且开始光检测。在这种情况下,光检测的开始时间点可以是,经过了在输出激光之后从激光的输出时间点到接收开始信号的时间点之间的时间间隔以及从接收开始信号的时间点到进入经过的曝光时段的时间点的延迟时间的时间点。
当开始信号是将在下文进行说明的触发信号时,接收传感器阵列1232的开始信号的时间点可以是从激光投射或输出的时间点经过预定时间之后的时间点。例如,直到传感器阵列1232从第一控制器1250和/或触发模块1240获得开始信号为止,从输出将投射到样本1的激光或在激光投射到样本1之后开始可能需要花费预定时间。
延迟时间是传感器阵列1232获得开始信号然后开始光检测的时间。延迟时间可以由传感器阵列1232的说明预先确定或由用户定义。
通常,当分析由于元素特定发射引起的光谱数据时,以门控方式操作的传感器阵列1232主要设计为具有约1μs的延迟时间,使得在等离子体发射之后开始的曝光时段终止或变得非常小。然而,在本公开中,当延迟时间设定为约1μs时,传感器阵列1232可能难以大幅度接收复合光谱。
为了使传感器阵列1232接收复合光谱,延迟时间可以设定为比至少将等离子体发射维持在预定量或更大的水平的时间点更短。换句话说,可以设定延迟时间,使得传感器阵列1232检测第二时段的至少一部分中的光。例如,传感器阵列1232的延迟时间可以设定在1ns~1μs的范围内。
此外,随着延迟时间变短,传感器阵列1232检测光的时间点变得更快,并且随着传感器阵列1232检测光的时间点变得更快,传感器阵列1232可以检测与等离子体发射相关的更多的光,并且在所获得的复合光谱中的连续光谱的比率可以增加。因此,为了在传感器阵列1232中检测其中连续光谱具有预定比率或更大的复合光谱,延迟时间可以设定为100ns或更小,更优选地为10ns或更小。
以上所有时间值仅是示例性的,因此,延迟时间并不限于上述示例。
此外,如上所述,直到传感器阵列1232在激光投射/输出之后开始光检测为止,除延迟时间以外,由于额外经过了激光输出/投射的时间点之后的用于接收开始信号的时间,因此可以通过进一步考虑花费了多长时间来确定延迟时间的值。例如,当在激光投射之后经过至少5ns之前检测光并且在激光投射之后传感器阵列1232接收到开始信号之前经过2ns时,延迟时间应当设定为小于或等于至3ns。
根据另一示例,当接收到开始信号时,以门控方式操作的传感器阵列1232可以立即进入曝光时段以开始光检测。当在不具有刻意延迟时间的情况下,接收到开始信号后立即开始曝光时段时,传感器阵列1232可以尽可能地检测大量的等离子体发射。
根据本公开的一个实施例,诊断***100可以通过非门控方式获得复合光谱等。
根据本公开的一个实施例,光谱测量模块1230的传感器阵列1232可以以非门控方式操作。这里,非门控的方式可以是指与开始信号无关而连续执行光检测的方式。例如,当供电时,以非门控方式操作的传感器阵列1232可以根据预定周期执行光检测,以输出电信号。
在下文中,根据本公开的一个实施例,当LIBS单元1200以非门控方式操作时,将参照图13说明传感器阵列1232的操作方法。
图13是示出根据本公开的一个实施例以非门控方式操作的LIBS单元1200的示例图。
以非门控方式操作的传感器阵列1232可以重复曝光时段和重置时段,从而执行光检测操作。
参照图13,传感器阵列1232可以重复操作时段。每个操作时段可以检测光并且输出电信号。这里,操作时段可以包括曝光时段和重置时段。除非另有说明,否则非门控方式的曝光时段和重置时段可以理解为具有与上述门控方式的曝光时段和重置时段相同的特性。因此,非门控型传感器阵列可以根据曝光时段中入射的光生成电信号,并且在重置时段中输出电信号。
再次参照图13,由于以非门控方式操作的传感器阵列1232连续地重复操作时段,因此当在传感器阵列1232的操作期间激光投射到样本1上时,传感器阵列1232可以在任何一个操作时段的曝光时段中从样本1接收由于激光投射诱发的光。这里,操作时段的曝光时段可以设定为比其中由于组织消融或激光投射而从样本1生成光的时间间隔足够长。当曝光时段设定为比其中从样本1生成光的时间间隔足够长时,除特定情况外,其中主要生成等离子体发射的第二时段的全部或大部分可以属于重复曝光时段中的一者,并且其中主要生成元素特定发射的第一时段的至少一部分也可以属于重复曝光时段中的一者,使得非门控型传感器阵列1232可以在重复操作时段中的至少一个时段中获得复合光谱。
同时,由于传感器阵列1232在不考虑激光投射的时间点的情况下连续地重复操作时段且与激光投射无关,因此当在重置时段中生成等离子体消融的至少一部分时,可能无法获得正确的复合光谱。例如,当其中主要生成等离子体发射的第二时段的全部或大部分(例如,70%或更多)包括在重置时段中时,由于等离子体发射引起的连续光谱不存在或少量存在,使得传感器阵列1232有很大的可能可以检测比复合光谱更靠近由于元素特定发射引起的线光谱的光谱。例如,当在非门控型传感器阵列1232中接收的光的总能量低于预定值时,诊断***100可以确定由于等离子体消融引起的全部或大部分光未被传感器阵列1232检测到并且向用户提供错误通知。为了防止这种错误频繁发生,在非门控型传感器阵列1232中,曝光时段可以设定为足够长,或者重置时段可以设定为足够短,并且随着曝光时间变得更长或重置时间变得更短,在曝光时段中接收由于等离子体消融引起的光的可能性就更高。例如,当使用激光投射之后1ns~10μs生成的光进行分析时,曝光时间设定为10ms,并且重置时段设定为10μs,则在1000次LIBS中,只会产生小于1的误差。
同时,当使用非门控型传感器阵列1232时,不考虑激光投射,连续重复操作时段,使得可以在任何操作时段中检测复合光谱。因此,为了获得根据复合光谱的光谱数据,需要指定接收复合光谱的操作时段。
根据示例,传感器阵列1232可以在每个操作时段连续输出电信号。在这种情况下,在其中接收复合光谱的操作时段中输出的电信号可以与在未接收复合光谱的操作时段中输出的电信号是不同的。
图14是根据本公开的一个实施例通过非门控传感器阵列观察到的光谱图。
具体地,如图14所示,当接收到由于等离子体消融引起的光时,其中接收到复合光谱的操作时段的电信号具有与该光相对应的每个波长的强度值,而如图14所示,因为未接收到由于等离子体消融引起的光,其中未接收到复合光谱的操作时段中的电信号仅是与诸如太阳光等外部光相对应的每个波长的低电平强度值。尽管即使在其中接收到复合光谱的操作时段中也接收到外部光,但是外部光具有比由于等离子体消融引起的光的强度更弱的强度。
因此,考虑到输出的电信号,可以基于输出的电信号的特性,更具体地指定其中在任意操作时段中接收复合光谱的操作时段。这里,电信号的特性可以是特定波长下的强度值、每个波长的总强度值的平均值或者整个波长范围的强度值之和(相当于接收能量的总量)。
传感器阵列1232可以周期性地执行光检测操作,以在每个重置时段输出基于曝光时段期间测量的光量的电信号。第一控制器1250可以获得从传感器阵列1232输出的电信号,并根据所获得的电信号的特定波长处的强度值、总波长的强度值的平均值、总波长的强度值之和以及接收能量的量中的至少一者是否大于或等于每个特性的预定阈值C1、C2、C3等,来确定与电信号相关的操作时段是否是其中接收到由于等离子体消融引起的光的操作时段。换句话说,第一控制器1250可以获得每个操作时段的电信号并且选择电信号作为与复合光谱相关的电信号,其中,在所获得的电信号的特定波长处的强度值、总波长的强度值之和以及接收能量的量中的至少一者大于或等于预定阈值。可选择地,第一控制器1250可以获得从传感器阵列1232输出的电信号,将所获得的电信号与在先前操作时段和随后的操作时段中的至少一者中获得的电信号进行比较,并且选择其差值大于预定阈值的电信号作为与复合光谱相关的电信号。
同样,可选择地,还可以基于触发信号来指定操作时段。
图15是示出根据本公开的一个实施例当使用非门控传感器阵列时,使用触发信号指定接收复合光谱的操作时段的图。
参照图15,当非门控型传感器阵列1232在包括曝光时段和重置时段的操作时段中重复操作时,LIBS单元1200,例如触发模块1240,可以生成与激光投射的时间点相对应的触发信号。将在下文更详细地说明触发模块1240和触发信号。第一控制器1250可以将其中接收复合光谱的操作时段确定为重复的操作时段中与触发信号相对应的操作时段。换句话说,第一控制器1250可以获得传感器阵列1232的电信号中在接收到触发信号之后立即输出的电信号作为与复合光谱相关的电信号。
同时,尽管已经将第一控制器1250说明为在传感器阵列1232连续输出的电信号中选择与复合光谱相关的电信号或者在连续重复的操作时段中指定与等离子体消融相关的操作时段,但是LIBS单元1200还可以将所有输出的电信号传输到诊断单元1400,并且诊断单元1400的第二控制器1410也可以执行上述操作(电信号的选择或指定操作时段)。
根据本公开的一个实施例,LIBS单元1200可以使用触发信号以获得复合光谱。换句话说,传感器阵列1232可以使用触发信号以便生成与等离子体消融相关的光谱数据。
触发模块1240可以生成触发信号。这里,触发操作可以是指指示激光投射时间、激光诱导击穿的开始时间和等离子体生成时间中的至少一个的操作。在下文中,将其中触发模块1240生成触发信号的操作称为触发操作。
在下文中,将说明根据本公开的一个实施例的触发操作。
图16是示出根据本公开的一个实施例的触发操作的图。
触发模块1240可以根据触发事件2来生成触发信号。此外,触发模块1240可以将所生成的触发信号提供给第一控制器1250、第二控制器1410和光谱测量模块1230中的至少一者。
参照图16,触发事件2可以包括激光的投射、激光衍生光的接收以及等离子体光的接收。例如,触发模块1240可以检测激光向样本1的投射,并因此生成触发信号。
例如,触发模块1240接收要输入到激光照射模块1210用于控制第一控制器1250的控制信号以执行激光投射,以使激光振荡,或接收输入到激光照射模块1210用于激光振荡的驱动信号,并因此生成触发信号。
可选择地,触发模块1240可以通过检测投射到样本1的激光来生成触发信号。具体地,触发模块1240可以包括光检测设备,可以布置在投射的激光附近,并且可以直接检测投射的激光或者通过光学部件间接检测投射的激光以生成触发信号。这里,光检测设备可以是反应投射的激光的波长的设备,或者用于使投射的激光的波长通过的滤波器可以布置在光检测设备的光接收路径上。可选择地,光检测设备的响应阈值可以设定为大于或等于特定值。因此,可以防止由于诸如太阳光等外部光引起的故障。
同样,可选择地,触发模块1240可以通过检测包括激光投射到样本1时生成的反射光、散射光和荧光中的至少一种的激光衍生光来生成触发信号。在这种情况下,触发模块1240可以包括光检测设备,布置在样本1附近的光检测设备可以直接检测激光衍生光或者通过光学部件间接检测激光衍生光,或者触发模块1240可以接收来自光接收模块1220的激光衍生光并且通过光检测设备检测激光衍生光,从而生成触发信号。这里,由于激光衍生光具有与投射激光的波长范围相同的波长范围,因此光检测设备可以是反应投射激光的波长的设备,并且用于允许投射激光的波长通过的滤波器可以布置在光检测设备的光接收路径上。可选择地,光检测设备的响应阈值可以设定为大于或等于特定值。因此,可以防止由于诸如太阳光等外部光引起的故障。
另外,可选择地,触发模块1240可以通过检测在其中激光投射到的样本1中生成的等离子体光来生成触发信号。在这种情况下,触发模块1240可以包括光检测设备,布置在样本1附近的光检测设备可以直接检测等离子体光或通过光学部件间接检测等离子体光,或者触发模块1240可以接收来自光接收模块1220的等离子体光并通过光检测设备检测等离子体光,从而生成触发信号。这里,光检测设备是反应由于等离子体消融生成的特定波长范围(例如,元素峰中具有高强度值的特定元素峰的波长范围)的设备,并且用于允许特定波长范围通过的滤波器可以布置在光检测设备的光接收路径上。可选择地,光检测设备的响应阈值可以设定为大于或等于特定值。因此,可以防止由于诸如太阳光等外部光引起的故障。
上述触发模块1240可以设定为LIBS单元1200中的独立组件,或者设置为与第一控制器1250、第二控制器1410、光接收模块1220和光谱测量模块1230中的至少一者组合的形式。
通过上述触发操作生成的触发信号可以用于获得复合光谱。
根据示例,当传感器阵列1232以门控方式操作时,触发信号可以用作传感器阵列1232的开始信号。具体地,当接收到触发信号时,传感器阵列1232可以响应触发信号开始操作。更具体地,当接收到触发信号时,传感器阵列1232可以进入曝光时段或在接收到触发信号然后经过延迟时间之后进入曝光时段。
可选择地,当传感器阵列1232以非门控方式操作时,触发信号可以用于在重复的操作时段中选择其中接收复合光谱的特定的操作时段。具体地,传感器阵列1232可以在重复的操作时段中选择与触发信号的接收时间点相对应的操作时段作为其中接收复合光谱的特定操作时段。
同时,触发信号可以以在触发事件2的检测时间点生成的时间戳的形式生成。由于时间戳形式的触发信号反映触发事件2的生成时间点,因此,代替触发信号的接收时间点,非门控型传感器阵列1232可以使用触发信号中包括的事件生成时间信息来选择任意操作时段的特定操作时段。
触发模块1240可以根据用于生成触发信号的时间具有各种上升时间。当以上述门控方法操作的LIBS单元1200使用触发信号作为开始信号时,随着上升时间的增加,从激光投射的时间或等离子体消融的生成时间开始进入曝光时段所需的时间增加,使得当上升时间大于或等于预定时间间隔时,门控型传感器阵列1232可能难以获得完整的复合光谱。例如,触发模块1240可以具有从约30ps~400ns的范围的上升时间。为了使传感器阵列1232获得复合光谱等,触发模块1240的上升时间可以设定为小于或等于约100ns。
如上所述,LIBS单元1200已经说明为使用激光投射到样本1时生成的激光诱导击穿现象来执行诊断。因此,在本公开的实施例中,激光应该投射为使得在对象样本1中引起等离子体消融,并且同时,在人体或动物体的情况下,由激光投射引起的身体损害最小化。
如上所述,在本公开的实施例中,将说明与激光到对象样本1上的投射以及在最小化对样本1的损害的同时投射激光以诱发等离子体消融相关的一些事项。
在本公开中,对样本1的损伤可能是指样本1丢失/破坏为距样本1的表面预定深度或更大的深度,样本1的功能发生异常,或者样本1的状态严峻。严格地讲,当激光投射到样本1上时,等离子体的形成导致样本1的一部分消融,但是,当在激光投射的表面上生成消融或距该表面预定深度或更小深度生成消融,使得大体上仅丢失/破坏非常少量的样本1时,这可以解释为不对应于根据本公开的“损伤”。例如,当皮肤是样本1并且仅在表皮组织的一部分上执行LIBS时,这可以认为是实质的无损测试。
图17是示出根据本公开的一个实施例的样本1的损伤的图。
参照图17,皮肤可以包括来自皮肤表面的表皮组织、真皮组织和皮下组织。例如,在普通人的平均皮肤的情况下,取决于皮肤的类型和皮肤在体内的位置,表皮组织可以分布在距皮肤表面的10~20μm的深度范围内,真皮组织可以分布在距表面数百微米至几毫米的深度范围内,并且皮下组织可以分布在真皮组织下方。血管位于皮下组织中,并且皮下组织的血管延伸到真皮组织。皮肤癌可以主要发生于表皮组织,并逐渐向真皮组织和皮下组织生长。在这种情况下,当癌细胞沿着血管转移到身体的其他部位时,癌症可能转移到整个身体。
当对作为皮肤的样本1执行LIBS以诊断皮肤癌,并且在血管或血管周围的癌组织中生成等离子体消融时,可能会发生出血或者癌细胞被引入血管从而导致癌症转移。
因此,例如,在本公开中,优选地,当诊断***100对样本1执行LIBS时,为了防止损伤至少大量血管所位于的皮下组织,等离子体消融可以仅诱导到真皮组织。此外,例如,在本公开中,更优选地,当诊断***100对样本1执行LIBS时,为了防止损伤血管或血管的周边,等离子体消融可以仅诱导到不存在血管的表皮组织。这里,诊断***100可以通过调节投射激光的强度、能量密度、功率密度、脉冲持续时间、每脉冲能量等来控制等离子体消融的深度。
作为特定数值的示例,等离子体消融可以诱导到优选为20μm或更小的深度。
上述说明仅是说明性的,并且预先已经指出,样本1是否被损伤可以根据将要诊断的对象的种类或诊断的目的变化。
在本公开的一个实施例中,诊断***100可以将激光投射到样本1上以获得样本1上的光谱数据。在这种情况下,为了将激光投射到诊断对象上,激光光斑应当包括在诊断对象中。具体地,为了将激光投射到作为诊断对象的样本1上,应当在样本1所占据的区域中包括激光光斑。
这里,样本1所占据的区域可以是指将由诊断***100诊断的对象的区域。例如,在对人体或动物的皮肤进行皮肤癌的诊断时,样本1所占据的区域可能包括其中怀疑存在着色区域或诸如黑色素瘤等皮肤癌的皮肤区域的至少一部分。
图18和图19是示出根据本公开的一个实施例的样本1和激光光斑的图。
参照图18和图19,根据光斑的尺寸,激光光斑可以包括在或可以不包括在被样本1所占据的区域中。
根据激光光斑的形状,激光光斑尺寸可以包括光斑的幅度、宽度、直径、半径和面积中的至少一者。在下文中,为了便于说明,除非另有说明,否则光斑尺寸可以理解为激光光斑的直径,但是本公开并不限于此。
当激光光斑大于样本1所占据的区域时,样本1上的诊断的准确性或可靠性可能会降低。例如,如图18所示,当激光光斑不包括在样本1所在的区域中时,投射激光,使得等离子体消融可以诱导到未被样本1占据的激光光斑的区域中。在这种情况下,诊断***100接收从由不必要的区域引起的等离子体生成的等离子体光,以执行诊断方法,从而可能降低诊断的准确性或可靠性。
同时,当样本1是诸如包括皮肤癌等的病变组织等人体或动物的一部分时,样本1与其中诸如金属或物体等密度或组分均匀的情况的不同之处在于,样本1的形状可能是不均匀的,并且其成分可能与周围材料不同。此外,在通过将激光投射到样本1上进行治疗、手术、美容治疗等时,主要目的是去除治疗或美容对象区域,而当通过将激光投射到样本1上进行诊断时,主要目的之一是收集高质量的数据。
因此,如上所述,当样本1是动物或人体的一部分并且对样本1进行诊断时,优选的是,在样本1中特别包括激光光斑。
再次参照图19,投射到样本1的激光的光斑可以包括在样本1所占据的区域中。为此,激光的光斑尺寸可以设定为小于样本1的尺寸。这里,样本1的尺寸可以是指样本1所占据的区域的尺寸。例如,根据样本1的形状,样本1的尺寸可以包括幅度、宽度、直径、半径和面积中的至少一者。
例如,当激光的光斑具有圆形形状时,可以设定光斑尺寸,使得激光光斑包括在样本1中。具体地,当诊断***100通过设定皮肤作为样本1来诊断皮肤癌的存在或不存在时,由于怀疑是皮肤癌的病变组织,即,样本1所占据的区域,通常包括直径约为6mm的圆形区域,因此考虑到诸如手抖等预想不到的变量因素,投射到样本1的激光的光斑尺寸优选为5mm或更小以包括在样本1所占据的区域中。
同时,随着光斑尺寸变小,光斑尺寸容易包括在样本1所占据的区域中,但是如下所述,为了防止损伤样本1,必须设定光斑尺寸达到预定大小或更大。
在本公开的一个实施例中,投射到样本1的激光应当能够诱发等离子体消融到样本1。此外,在这种情况下,应当最小化由于投射的激光对样本1的损伤。
这里,对样本1的等离子体消融和/或损伤可以与由于投射的激光而施加到样本1的每单位面积的功率(在下文中,称为“功率密度”)和/或每单位面积的能量(在下文中,称为“能量密度”)有关。
例如,当使用脉冲激光作为投射激光器时,功率密度和能量密度可以如下。
[等式1]
功率密度可以表示每小时和每单位面积施加到样本1的能量。即,如等式1所示,脉冲激光的功率密度可以是通过将投射激光的每脉冲功率(激光脉冲能量)除以脉冲持续时间获得的功率再除以投射面积获得的值。
[等式2]
能量密度可以表示每单位面积施加到样本1的能量。即,如等式2所示,脉冲激光的能量密度可以是通过将投射激光的每脉冲能量除以投射面积获得的值。
[等式3]
能量密度=功率密度×脉冲持续时间
因此,如等式3所示,脉冲激光的能量密度可以是通过将脉冲持续时间乘以脉冲激光的功率密度获得的值,并且脉冲激光的功率密度可以是通过将脉冲激光的能量密度除以脉冲持续时间得到的值。
在这种情况下,当使用脉冲激光器将激光投射到样本1上时,等离子体的形成与脉冲激光的功率密度有关。具体地,当向样本1施加足够的功率密度时,在样本1中可能生成等离子体消融。
此外,当使用脉冲激光器将激光投射到样本1上时,对样本1的损伤可能与脉冲激光的能量密度有关。具体地,当将预定水平或更高水平的能量密度施加到样本1时,在样本1中可能发生损伤。
图20是示出根据本公开的一个实施例通过多个脉冲激光器施加到样本1的功率密度和能量密度的曲线图。
在下文中,为了便于说明,应当施加的将等离子体消融诱导到样本1的最小功率密度称为消融阈值Ath,并且使由于激光投射而对样本1造成的损害最小化的最大能量密度称为损伤阈值Dth。
参照图20,根据本公开的一个实施例,各种功率密度和能量密度可以施加到样本1。
例如,参照图20,当消融阈值Ath以上的功率密度和损伤阈值Dth以下的能量密度施加到样本1时,在样本1中可能生成等离子体,但是可以使由于激光投射引起的损伤最小化。
可选择地,参照图20,当消融阈值Ath以上的功率密度和损伤阈值Dth以上的能量密度施加到样本1时,在样本1中可能生成等离子体,并且可以在一定程度上引起由于激光投射引起的损伤。
同样,可选择地,参考图20,当损伤阈值Dth以下的能量密度和消融阈值Ath以下的功率密度施加到样本1时,几乎不会损伤样本1,并且也不会产生等离子体。
另外,可选择地,参照图20,当损伤阈值Dth以上的能量密度和消融阈值Ath以下的功率密度施加到样本1时,尽管可能在一定程度上在样本1中产生损伤,但是功率密度小于或等于消融阈值Ath,使得可能不产生等离子体。
即,尽管对样本1施加了足够的功率密度,但是当能量密度足够低时,可以在样本1中产生等离子体消融而不会损伤样本1或对样本1的损伤最小。例如,当诊断***100诊断怀疑为皮肤癌的皮肤是否存在皮肤癌,并且即使对皮肤施加足够的功率密度,能量密度也足够低时,仅在皮肤的表皮中诱发等离子体消融,而不会在真皮或皮下组织中诱发等离子体消融,从而可以在不损伤血管或血管周边的情况下进行诊断。
这里,消融阈值Ath和损伤阈值Dth可以根据样本1的种类或状态具有不同的数值。例如,当样本1是人体或动物体的一部分并且由于激光投射而施加到样本1的功率密度为0.1GW/cm2或更高时,等离子体可以形成在样本1中。可选择地,当样本1为皮肤且投射激光的能量密度值为40J/cm2或更高时,可能会损伤皮肤组织。具体地,当能量密度值为40J/cm2或更高时,可能会发生严重的情况,其中诸如出血等细胞损伤发生在距皮肤表面的预定深度处,并且癌细胞等转移到身体的其他部位。即,消融阈值Ath可以包括0.1GW/cm2,并且损伤阈值Dth可以包括40J/cm2。
同时,根据本公开的一个实施例,为了安全和准确的诊断,诊断***100可以调节功率密度和能量密度值,从而防止在样本1中形成等离子体时对样本1造成损伤。例如,LIBS单元1200调节投射到样本1的激光的能量、脉冲持续时间和投射面积,使得投射到样本1的激光的每单位面积的强度变为0.1GW/cm2,并且施加到样本1的每单位面积的能量变为40J/cm2或更少。例如,当将上述能量密度和功率密度施加到皮肤上时,仅在表皮中产生等离子体消融,使得可以在不损伤诸如血管等身体组织的情况下大体上执行无损测试。
在下文中,将根据本公开的实施例说明根据设备、设施或装备的规格以及可设定的数值范围来设定上述激光的能量、脉冲持续时间和投射面积等的方法。
激光发射模块1210可以设定通过调节活性激光介质1212的种类和施加到活性激光介质1212的能量而产生的激光的能量和脉冲持续时间。例如,激光发射模块1210可以生成具有每脉冲约10mJ~100mJ的能量范围以及约1ps~1ms的脉冲持续时间的激光。
激光调节件1214可以使用滤光器改变生成的激光的强度或能量。例如,激光调节件1214可以使用半透明或不透明的滤光器仅允许生成的激光的一部分通过,以降低激光的强度或能量。
激光调节件1214可以包括诸如透镜等光学部件,并且改变激光的形状或焦距,从而调节投射面积。例如,当激光调节件1214包括凸透镜时,激光的焦距会变短,并且随着样本1远离激光的焦点,投射面积会变大。
引导件1216可以通过设定投射距离来改变或调节施加至样本1的激光的投射面积。例如,随着引导件1216从激光发射模块1210延伸到很长,投射距离会变得更长,并且随着样本1变得更靠近激光的焦点,投射面积会变得更小。
如上所述,当通过激光调节件1214和/或引导件1216设定光斑尺寸时,可以考虑功率密度和能量密度。具体地,激光光斑的直径可以在1μm~10mm的范围内,或者投射面积可以设定在0.7μm2~70μm2的范围内。例如,优选地,激光光斑的直径在100μm~5mm的范围内或者面积在0.01mm2~20mm2的范围内。
同时,激光的强度、每脉冲能量、脉冲持续时间和投射面积的上述范围仅是示例性的,因此本公开的实施例并不限于此。
在下文中,与上述参照图21至图23根据本公开的一个实施例的说明一样,将说明诊断***100具体设定光斑大小以诱导等离子体消融而不会造成对样本1的损伤的方法。
图21至图23是示出根据本公开的一个实施例的光斑尺寸、功率密度和能量密度之间的关系的曲线图。
根据本公开的一个实施例,诊断***100可以基于有效光斑尺寸来选择合适的光斑尺寸,以用于在不损伤样本1的情况下诱导等离子体消融。
参照图21,随着光斑尺寸的增加,功率密度值可能减小。此外,随着光斑尺寸的增加,能量密度值可能减小。这里,功率曲线和能量曲线的位置关系和曲率可以根据激光的每脉冲能量、脉冲持续时间等变化。
当在诊断***100中将投射到样本1上的激光的强度、脉冲持续时间等设定为预定值时,有效光斑尺寸可以指能够在不损伤样本1的情况下诱导等离子体消融的光斑尺寸。这里,有效光斑尺寸可以通过功率曲线和能量曲线来设定。
再次参照图21,为了施加小于或等于损伤阈值Dth的能量密度以防止对样本1造成损伤,投射到样本1的激光应当具有大于或等于对应于能量曲线上的损伤阈值Dth的光斑尺寸值的光斑尺寸。此外,为了施加大于或等于消融阈值Ath的功率密度以在样本1中诱导等离子体消融,投射到样本1的激光应当具有小于或等于对应于功率曲线上的消融阈值Ath的光斑尺寸值的光斑尺寸。因此,有效光斑尺寸的最大值可以设定为对应于功率曲线上的消融阈值Ath的光斑尺寸,并且其最小值可以设定为对应于能量曲线上的损伤阈值Dth的光斑尺寸。
同时,根据本公开的一个实施例,可以考虑样本1的尺寸来设定有效光斑尺寸。例如,参照图22,有效光斑尺寸的最小值可以设定为对应于功率曲线上的消融阈值Ath的光斑尺寸,并且其最大值可以设定为对应于能量曲线上的损伤阈值Dth的光斑尺寸。当样本1的尺寸小于对应于损伤阈值Dth的光斑尺寸时,有效光斑尺寸的最大值可以设定为样本1的尺寸。
即,诊断***100可以在考虑到对应于消融阈值Ath、损伤阈值Dth的光斑尺寸和样本1的尺寸中的至少一者设定的有效光斑尺寸内选择投射到样本1的激光的光斑尺寸。因此,诊断***100可以对样本1执行更安全、更准确的诊断。
同时,根据投射到样本1的激光的特性,样本1的尺寸可以小于有效光斑尺寸的最小值。可选择地,有效光斑尺寸的至少一部分可以不包括在样本1的尺寸内。同样,可选择地,在有效光斑尺寸中可以不存在样本1的尺寸内的光斑尺寸。在这种情况下,当诊断***100对样本1进行诊断时,由于激光投射引起的等离子体消融引导在样本1以外的部分中,从而可能降低诊断的精度。
参照图23,有效光斑大小可以根据诊断***100所使用的脉冲激光的强度或脉冲持续时间来不同地设定。例如,当诊断***100使用用于诊断的第一脉冲激光并且设定第一有效光斑尺寸时,或者当诊断***100投射具有小于用于诊断的第一脉冲激光的激光强度或每脉冲能量的激光强度或每脉冲能量的第二脉冲激光时,第二有效光斑尺寸可以设定为小于第一有效光斑尺寸的光斑尺寸。这里,第一有效光斑尺寸的最小值和最大值可以具有大于第二有效光斑尺寸的值的值。
再次参照图23,样本1的尺寸可以小于第一有效光斑尺寸的最小值并且大于第二有效光斑尺寸的最小值。在这种情况下,诊断***100可以使用第二脉冲激光,并且考虑到样本1的尺寸将光斑尺寸设定在第二有效光斑尺寸内,从而在不损伤样本1的情况下诱导等离子体消融。同时,当诊断***100使用第一脉冲激光时,即使将第一有效光斑尺寸的最小值选择为光斑尺寸,光斑尺寸也大于样本1的尺寸,使得激光可以投射到样本1以外的区域。
因此,诊断***100应当调节或设定投射到样本1的激光的强度或每脉冲能量,使得有效光斑尺寸的最小值具有小于样本1的尺寸值的值。例如,如图23所示,可以减小激光的强度或每脉冲能量,使得对应于使用第一脉冲激光的能量曲线上的损伤阈值Dth的光斑尺寸变得小于样本1的尺寸。更具体地,诊断***100可以使用强度小于第一脉冲激光的强度的第二脉冲激光或使用激光调节件1214来减小第一脉冲激光的强度。
如上所述,根据本公开的一个实施例,诊断***100执行诊断时,已经说明了其中有效光斑尺寸设定为诱导等离子体消融而不会造成对样本1的损伤的详细的方法。除以上说明之外,下面将详细说明在有效光斑尺寸内设定或调节光斑尺寸的方法。
图24和图25是示出根据本公开的一个实施例不同地设定投射到样本1的激光的光斑尺寸的图。
根据本公开的一个实施例,诊断***100可以设定光斑尺寸,以便满足上述样本1中用于生成等离子体的条件或防止损伤样本1的条件。这里,除非另有说明,否则除光斑尺寸以外,投射激光的强度或脉冲持续时间也考虑由激光发射模块1210或外部设备10预先确定。
参照图24和图25,光斑尺寸可以通过将激光投射到样本1的投射距离和激光的焦距来设定。
投射距离可以是指从激光发射模块1210输出的激光与样本1之间的距离。例如,投射距离可以是指激光调节件1214与样本1之间的距离。可选择地,投射距离可以是指外部设备10距样本1的距离。
同时,投射距离可以通过引导件1216来调节。具体地,例如,当引导件1216形成为从激光发射模块1210的一个位置沿激光的投射方向延伸到预定长度时,可以基于延伸部分的预定长度来设定激光的投射距离。
焦距可以是指从激光发射模块1210到激光的焦点的距离。例如,当激光通过激光调节件1214以聚焦光束的形式投射到样本1上时,焦距可以是指从激光调节件1214到激光的焦点的距离。可选择地,当聚焦光束形式的激光从外部设备10输出以被投射到样本1时,焦距可以是指从外部设备10到激光的焦点的距离。
同时,焦距可以根据投射到样本1上的激光的特性和用于改变激光形状的诸如光学部件等激光调节件1214的光学特性来设定。例如,随着投射到样本1的激光的波长变大,焦距可以增加,并且随着激光穿过的透镜的折射率变大,焦距可以减小。
再次参照图24,当样本1位于激光调节件1214与激光的焦点之间并且焦距相同时,随着投射距离变长,光斑尺寸可能变小。例如,当由于激光调节件1214使具有第一焦距L1的激光投射到与激光调节件1214相距第一投射距离D1的样本1时的光斑尺寸可能大于当具有第一焦距L1的激光投射到位于比第一投射距离D1更长的第二投射距离D2处的样本1时的光斑尺寸。在这种情况下,当投射距离为第一投射距离D1时,激光的光斑尺寸包括在有效光斑尺寸中,从而可以在不损伤样本1的情况下诱导等离子体消融。然而,当投射距离为第二投射距离D2时,激光的光斑尺寸变小,使得可以在样本1中诱导等离子体消融,但是在样本1中可能发生损伤。
再次参照图25,当样本1位于激光调节件1214与激光的焦点之间并且投射距离相同时,随着焦距变长,光斑尺寸可能变大。例如,当由于激光调节件1214使具有第一焦距L1的激光投射到距激光调节件1214第二投射距离D2处的样本1时的光斑尺寸可以小于当具有比第一焦距L1更长的第二焦距L2的激光投射到位于第二投射距离D2处的样本1时的光斑尺寸。在这种情况下,当焦距为第一焦距L1时,激光的光斑尺寸不包括在有效光斑尺寸中,使得可以在样本1中诱导等离子体消融,但是样本1中可能发生损伤。当焦距为第二焦距L2时,激光的光斑尺寸增加并且包括在有效光斑尺寸中,从而可以在不损伤样本1的情况下在样本1中诱导等离子体消融。
同时,图24和图25示出其中样本1位于激光调节件1214和激光的焦点之间的情况。然而,样本1可以布置成使得激光的焦点位于样本1和激光调节件1214之间。在这种情况下,与上述说明相反,随着投射距离增加,光斑尺寸会增加,并且随着焦距增加,光斑尺寸会减小。
即,光斑尺寸根据样本1与激光的焦点间隔开的距离来调节,使得诊断***100应当考虑投射距离、焦距以及投射距离和焦距之间的差值的绝对值而将光斑尺寸设定为包括在有效光斑尺寸中。
如上所述,已经说明了调节或设定光斑尺寸以在防止损伤样本1的同时诱导等离子体消融的方法。同时,即使使用上述激光调节件1214和上述引导件1216来设定投射到样本1的激光的光斑尺寸,激光也可以投射到具有设备或构件的物理缺陷且具有源自用户根据使用设备的方法设定的光斑尺寸的一定误差的样本1。
因此,将在下文进行说明用于防止由于投射到样本1的激光的投射区域的尺寸中的误差的产生而对样本1造成损伤的一些实施例。
在下文中,将参照图26和27说明根据本公开的一个实施例相对于投射距离调节焦距以便对样本1执行安全诊断的方法。
图26是示出根据本公开的一个实施例LIBS单元1200远离样本1的示例图。图27是示出根据本公开的一个实施例根据相对于样本1的激光的投射长度和焦距之间的关系的激光光斑的示例图。
如上所述,当由于激光投射而施加到样本1的能量密度值大于或等于特定值时,样本1可能会被严重损伤。然而,根据本公开的一个实施例,当投射到样本1的激光为聚焦光束的形式时,考虑激光的焦距来调节投射距离,从而可以防止样本1不会被激光损伤。
参照图26,根据本公开的一个实施例,诊断***100的诊断可以在引导件1216与样本1接触的状态下执行。在这种情况下,在由于诸如手的晃动或用户的疏忽等外部因素,LIBS单元1200或引导件1216在与激光投射的方向相反的方向上移动的状态下,诊断***100可以执行诊断。同时,引导件1216用于相对于样本1支撑LIBS单元1200的至少一部分,以保持投射距离恒定,从而使得引导件1216很难在激光的传播方向上移动。
参照图27,激光投射到样本1的投射距离可以比激光的焦距更长或更短。可选择地,投射到样本1的激光的焦点可以定位成与样本1隔开预定距离。
根据本公开的一个实施例,样本1可以布置成与激光调节件1214或外部设备10间隔开,使得由于激光投射而施加到样本1的能量具有特定值或更小值。例如,样本1可以布置成与激光调节件1214间隔开特定的投射距离,使得由于激光投射而施加的能量密度具有损伤阈值Dth或更小值。
这里,由于一些外部因素,样本1和激光调节件1214或外部设备10和样本1之间的位置关系可能会改变。例如,如图26所示,由于使用诊断***100的用户的手的晃动或疏忽,LIBS单元1200与样本1间隔一定距离,因此可以增加相对于样本1的激光投射距离。
这里,投射到样本1的激光的光斑尺寸可以根据投射距离的变化而变化。即,可以改变施加到样本1的能量密度值。然而,如下所述,根据现有样本1的布置位置,变化的能量密度值的影响可能变大或变小。
再次参照图27,样本1可以布置在激光的焦点与激光调节件1214之间,使得激光器具有比焦距L更短的第一投射距离D1。这里,即使光斑尺寸设定在有效光斑尺寸内,使得当激光投射到样本1时,小于或等于损伤阈值Dth的能量密度施加到样本1,当投射距离由于外部因素而增加时,激光的光斑尺寸也可能会减小。因此,施加到样本1的功率密度和能量密度可能会增加,并且当增加的能量密度大于或等于损伤阈值Dth时,在样本1中可能会发生损伤。
同时,再次参照图27,样本1可以布置成与激光的焦点间隔预定距离,以使得激光具有比焦距L更长的第二投射距离D2。这里,当激光投射到样本1并且光斑尺寸设定在有效光斑尺寸内以便对样本1施加小于或等于损伤阈值Dth的能量密度时,即使当投射距离由于外部因素而增加时,激光的光斑尺寸也增加。因此,可以减小施加到样本1的功率密度和能量密度,并且减小的能量密度小于或等于损伤阈值Dth,在样本1中可能不会发生损伤。
因此,诊断***100将激光的投射距离设定为比激光的焦距更长,使得即使当施加到样本1的能量密度值由于上述外部因素而改变时,样本1中也可能不会发生损伤。
可选择地,诊断***100将样本1布置为在激光的传播方向与激光的焦点隔开预定距离,使得即使当施加到样本1的能量密度值由于上述外部因素而改变时,样本1中也可能不会发生损伤。
在下文中,当诊断***100执行根据本公开的一个实施例的诊断方法时,将参照图28说明使用激光调节件1214的球面像差以防止损伤样本1的方法。
根据本公开的一个实施例,激光调节件1214可以包括具有球面像差的光学透镜。这里,球面像差是指当平行光穿过透镜时所形成的焦点的位置根据距透镜中心的距离而变化的现象。具体地,具有球面像差的透镜可以具有针对每个区域的不同的折射率,并且穿过透镜的不同区域的光可以被折射以通过不同的焦点。例如,随着区域远离透镜的中心轴线,折射率变大,使得穿过该区域的光的焦点可以形成为更靠近透镜。因此,当激光穿过具有球面像差的透镜时,激光可能具有在任何一点都不会聚集的聚焦光束形式。
图28是示出根据本公开的一个实施例穿过具有球面像差的激光调节件1214的激光的形状的示例图。
参照图28,穿过具有球面像差的透镜的激光可以具有其中激光集中在激光的焦点附近的光集中区域。当聚焦光束形式的光基于光的焦点聚集和散射时,光集中区域可以形成为其中激光基于激光的焦点聚集和扩散的形状。
光集中区域可以通过激光的焦点F和瑞利长度RL(Rayleigh length)来指定。例如,光集中区域可以包括在激光在激光从激光的焦点F穿过的传播方向和与传播方向相反的方向上穿过的区域中的瑞利长度RL的范围内的区域。这里,瑞利长度RL可以基于透镜的折射率、数值孔径NA或焦距以及投射到样本1的激光的波长来计算。例如,当投射激光的波长是1064nm,透镜的焦距是6cm,透镜的直径是3mm时,瑞利长度RL可以是约2.17mm。
在光集中区域中,激光可以具有基于光轴BA显示激光的幅度、宽度或厚度的光半径R。
在光集中区域中,激光可以具有光束腰BW。光束腰BW可以是指在光集中区域中激光的焦点F处的激光的幅度或其幅度的一半。即,光束腰BW可以是指在光集中区域中激光的光半径R的最短半径。
当激光投射到样本1时,光斑尺寸可以基于光半径R确定。这里,激光在光集中区域中可投射到样本1的光斑尺寸的范围可以使用光半径R的最大值和最小值来确定。
根据本公开的一个实施例,诊断单元100可以在光集中区域中执行诊断方法。这里,诊断***100可以设定用于在样本1中形成等离子体的同时防止损伤样本1的诊断条件。具体地,当激光投射到样本1时,诊断***100可以考虑激光的强度或每脉冲能量、脉冲持续时间、损伤阈值Dth和消融阈值Ath设定有效光斑尺寸,将具有特定瑞利长度RL的光集中区域设定为包括在设定的有效光斑尺寸中,并且设定引导件1216的长度以将样本1定位在设定的光集中区域内。
同时,光集中区域的光半径R、瑞利长度RL、光束腰BW和投射区域的尺寸的上述范围仅是示例性的,因此本公开的实施例并不限于此。
在下文中,将说明根据公开一个实施例的使用光谱数据的诊断操作。
在本公开中,诊断***100,具体地,诊断单元1400,可以基于光谱数据对样本1进行诊断。换句话说,诊断单元1400可以基于光谱数据来确定样本1的状态。具体地,样本1的状态可以是样本1的种类、样本1的成分含量、样本1的健康状态等。
这里,例如,当样本1是身体的一部分时,样本1的种类可以包括样本1是诸如肝组织、皮肤组织、毛发组织等哪个身体器官,以及样本1是未患病的组织还是诸如癌症等患病的组织。此外,例如,当样本1是身体的一部分时,样本1的成分含量可以是组织或细胞中包含的有害物质的含量。此外,当样本1是身体的一部分时,样本1的健康状态可以是指样本1是否处于正常状态或异常状态(例如,诸如癌症等疾病)、衰老程度或营养状态。
这里,诊断单元1400可以使用各种诊断算法,以便从光谱数据中获得诊断结果。换句话说,诊断算法可以是指接收光谱数据并输出诊断结果的算法。这种诊断算法可以在物理上或在逻辑上提供给诊断单元1400。例如,诊断算法存储在诊断单元1400的第二存储器1450中,并且第二控制器1410可以通过与第二存储器1450协作处理诊断算法而从光谱数据中获得诊断结果。可选择地,在诊断单元1400的第二控制器1410中,用于实现诊断算法的物理电路可以以硬件的方式实现。
在本公开中,诊断算法可以基于至少一条光谱数据来获得诊断结果。这里,光谱数据可以通过获得上述光谱数据的操作从样本1中获得。
这里,样本1可以包括作为诊断对象的“目标样本”。例如,当诊断***100在特定皮肤组织上执行LIBS以获得特定皮肤组织的光谱数据,并且基于光谱数据确定特定皮肤组织中是否存在皮肤癌时,确定皮肤癌存在或不存在的特定皮肤组织可以是目标样本。
此外,样本1还可以包括用于与“目标样本”进行比较的“参考样本”。例如,为了确定特定皮肤组织中是否存在皮肤癌,诊断***100可以基于诊断皮肤癌的存在或不存在的特定皮肤组织的光谱数据以及预先确认不存在皮肤癌的组织的光谱数据来确定特定皮肤组织是否存在皮肤癌。在这种情况下,作为诊断对象的特定皮肤组织可以对应于“目标样本”,并且预先确认不存在皮肤癌的组织可以对应于用于与“目标样本”进行比较的“参考样本”。
因此,在本公开中,“样本”可以解释为激光投射并且在其中诱发LIBS现象的物体。
此外,“目标样本”可以解释为用于将由诊断***100执行的诊断对象的物体。例如,当诊断***100执行疾病诊断时,目标样本可以是怀疑具有疾病的物体或作为疾病确认的对象的物体。
此外,“参考样本”是除作为诊断***100的诊断对象的物体以外的样本。参考样本可以解释为用于提取在通过诊断算法计算诊断结果的过程中主要用于与目标样本上的光谱数据进行比较或参考该光谱数据的附加光谱数据的物体,或者是在通过诊断算法计算诊断结果的过程中,参考目标样本上的光谱数据。为了参考“参考样本”的光谱数据或与“目标样本”的光谱数据进行比较,预先确认状态的物体可以用作“参考样本”。例如,当诊断***100执行疾病诊断时,目标样本可以是怀疑物体,而参考样本可以是预先确认为患有疾病或不患有疾病的物体。
如上所述,在本公开中,诊断***100可以使用各种诊断算法。
例如,诊断算法可以设置为机器学习模型。机器学习模型的典型示例可以是人工神经网络。具体地,人工神经网络的典型示例是深度学习人工神经网络,其包括用于接收数据的输入层、用于输出结果的输出层以及用于处理输入层和输出层之间的数据的隐藏层。人工神经网络的详细示例包括回归分析人工神经网络(卷积神经网络)、循环神经网络、深度神经网络等。在本说明书中,人工神经网络应当解释为包括上述人工神经网络、各种其他人工神经网络以及与它们结合的人工神经网络的综合概念,并且不一定是深度学习系列。
此外,机器学习模型不一定是人工神经网络模型。除了该说明之外,机器学习模型还可以包括最近邻算法(KNN)、随机森林、支持向量机(SVM)、主成分分析(PCA)等,并且可以包括上述技术的集合形式或其中上述技术以各种方式组合的形式。同时,在基于人工神经网络说明的实施例中,除非另有预先已经指出的说明,否则人工神经网络可以用另一种机器学习模型代替。
此外,本公开中的诊断算法不必限于机器学习模型。即,诊断算法可以包括各种确定/决定算法以代替机器学习模型。例如,诊断算法可以是用于通过比较使用获得的光谱数据生成的数据库和从样本1获得的光谱数据来执行诊断的非机器学习算法。
因此,预先注意,本公开中的诊断算法应当理解为包括使用光谱数据执行诊断的所有类型的算法的综合概念。
在下文中,将基于使用深度学习人工神经网络根据光谱数据执行诊断的一些示例来说明诊断算法。然而,由于这仅是为了便于说明,因此应当注意,本公开中的诊断算法并不限于深度学习人工神经网络。
在本公开中,可以在逻辑上或在物理上实现深度学习人工神经网络。即,人工神经网络可以以硬件、软件或其组合来实现。
例如,人工神经网络可以实现为使用诸如Google的张量流等应用的程序。这里,程序形式的人工神经网络设置有逻辑实现层、节点以及将逻辑实现层连接到节点的线,并且可以由通过中央处理器(CPU)或图形处理器(GPU)的操作处理数据来实现。在本公开中,人工神经网络可以利用诊断单元1400的第二控制器1410和第二存储器1450来实现。在这种情况下,第二存储器1450可以存储构成人工神经网络的每个节点的权重值、节点之间的连接关系以及节点的构造等,并且第二控制器1410可以将光谱数据输入到输入层,在每个节点处计算节点值,然后在输出层上计算结果值。
可选择地,除了专用集成电路(ASIC)形式或现场可编程门阵列(FPGA)形式以外,人工神经网络可以设置为利用各种电路实现的诸如神经形态芯片等的硬件,以专用于处理人工神经网络。
在本公开中,人工神经网络可以接收光谱数据并输出诊断结果。
图29是示出根据本公开的一个实施例的人工神经网络的示例图。
参照图29,人工神经网络可以包括:用于接收光谱数据的输入层、用于输出诊断结果的输出层以及布置在输入层和输出层之间的至少一个隐藏层。
光谱数据可以输入到输入层。输入层可以包括多个输入节点。每个波长的强度可以输入到每个输入节点。换句话说,特定波长可以分配给每个输入节点,并且与分配的特定波长相关的强度值可以作为输入值输入到每个输入节点。
在本公开的以下说明中,输入到输入层的光谱数据是指输入数据。这里,输入数据可以是在LIBS单元1200中测量的光谱数据的原始数据,或者是由在LIBS单元1200中测量的光谱数据的原始数据处理的光谱数据。此外,输入数据可以是单个样本的光谱数据、从多个样本获得的光谱数据或者从多个样本获得的光谱数据的组合。将在下文说明输入数据的详细说明。
输出层可以输出诊断结果。
例如,当人工神经网络以二进制分类的形式输出诊断结果时,在输出层中可以包括一个或两个输出节点。以二进制分类的形式输出结果值的人工神经网络可以主要对单个疾病或单个健康状态进行诊断。
可选择地,当人工神经网络以多分类的形式输出诊断结果时,输出层可以包括多个输出节点。以多分类的形式输出结果值的人工神经网络可以主要对多种疾病或多种健康状态进行诊断。
同样,可选择地,当人工神经网络以回归的形式输出诊断结果时,输出层可以包括至少一个输出节点。
隐藏层可以包括多个层,并且每个层可以包括至少一个隐藏层。
人工神经网络可以使用标记有先前确认的诊断结果的标签数据和光谱数据作为学习集来训练。因此,当输入从目标样本获得的光谱数据时,充分学习的人工神经网络可以输出诊断结果。
具体地,确定疾病的存在或不存在的人工神经网络可以使用学习集来训练,在该学习集中,将指示存在疾病的值分配给通过将激光投射到患有疾病的样本(在下文中,称为“患病样本”)获得的光谱数据(在下文中,称为“患病的光谱数据”),并且将指示不存在疾病的值分配给通过将激光投射到未患病的样本(在下文中,称为“未患病样本”)获得的光谱数据(在下文中,称为“未患病的光谱数据”)。这里,充分学习的人工神经网络可以接收从将被诊断疾病存在或不存的目标样本获得的光谱数据,并且将存在疾病或不存在疾病作为诊断结果来输出。在这种情况下,诊断结果可以主要作为概率值输出。
这里,将简要说明光谱数据的一些特性(属性)。
图30是示出根据本公开的一个实施例的光谱数据的结构的图。
参照图30,光谱数据包括多个光强度值,并且每个光强度值可以与特定波长或特定波长范围相关。即,光谱数据可以包括每个波长的强度值。
在由上述光谱测量模块1230生成的光谱数据中,基于入射到属于每个传感器阵列1232的每个传感器上的光量、光的强度和光能来确定每个波长的强度值,并且每个传感器接收具有与布置在利用光谱方法划分的光的传播路径上的传感器的位置以及传感器的光接收范围相对应的波长范围的光,从而严格地将光谱数据表示为具有针对每个波长范围的强度值。然而,为了便于说明,在本公开中,光谱数据将与术语“每个波长的强度值”互换使用。
例如,光谱数据可以以包括相对于200nm波长(或199.5nm~200.5nm的波长范围)的光强度值、相对于201nm波长(或200.5nm~201.5nm的波长范围)的光强度值……相对于799nm波长(或798.5nm~799.5nm的波长范围)的光强度值以及相对于800nm波长(或799.5nm~800.5nm的波长范围)的光强度值。
光谱数据的特性可以包括波长范围。光谱数据的波长范围可以是指分配给光谱数据中包括的强度值的波长中的最小波长至最大波长的范围。例如,光谱数据的波长范围可以表示为200nm~1000nm的范围、280~780nm的范围等。
此外,光谱数据的特性可以包括波长间隔。光谱数据的波长间隔可以是指分配给光谱数据中包括的强度值的波长之间的间隔。例如,光谱数据的波长间隔可以表示为1nm、0.7nm、2nm等。
原始光谱数据是从LIBS单元1200获得的光谱数据,并且原始光谱数据的特性可以根据LIBS单元1200的光谱测量模块1230的规格来确定。例如,原始光谱的波长范围可以根据光谱测量模块1230的测量范围来确定,并且原始光谱的波长间隔可以根据光谱测量模块1230的分辨率或清晰度来确定。
根据本公开的一个实施例,还可以直接使用原始光谱数据作为诊断算法的输入数据。然而,在一些实施例中,当原始光谱数据直接用作诊断算法的输入数据时,可能存在一些技术上的困难。
首先,当原始光谱数据直接用作诊断算法的输入数据时,诊断算法和光谱数据之间的兼容性可能会降低。
如上所述,由于根据诊断***100的性能或设置(构造)来确定原始光谱数据的波长范围或波长间隔,因此当LIBS单元1200的构造改变或其性能不同时,光谱数据的特性可能会有改变。例如,即使当光谱测量模块1230是同一制造商的同一产品时,获得的原始光谱数据的特性也可以根据软件设定而改变。可选择地,使用不同类型的光谱测量模块1230获得的原始光谱数据的特性可以是不同的。同样,可选择地,即使当使用相同类型的光谱测量模块1230获得光谱数据时,由于设备之间的性能的细微差异,在检测到的波长中也会产生偏移,使得从设备获得的原始光谱数据的特性可能会彼此不同。
如上所述,当光谱数据的特性改变时,被设计为适合于具有预定特性的光谱数据的诊断算法可能不会对偏离预定特性的光谱数据执行诊断,或者诊断算法的诊断准确性可能会下降。因此,由于诊断算法对LIBS单元1200的规格敏感,因此可能难以广泛地使用直接使用原始光谱作为输入数据的诊断算法。
接下来,当原始光谱数据直接用作诊断算法中的输入数据时,外部因素作用于诊断结果,从而可能会降低诊断准确性。
包括投射激光的强度、样本1的状态以及由于温度和湿度等引起的传感器阵列1232的灵敏度等各种环境因素可能影响由LIBS单元1200获得的原始光谱数据。例如,当激光投射模块1210是不同类型的产品时,用于诱导等离子体消融的激光的强度可以是不同的,因此所获得的光谱数据的光强度值可以完全改变。这里,即使当激光投射模块1210是相同类型的产品时,激光强度也会由于激光投射期间的温度或湿度而变化,并且即使在严格控制环境因素的环境中,投射激光强度可能也会精密地改变。可选择地,即使根据样本1的表面状态、硬度、水分含量等投射具有相同强度的激光,等离子体消融的程度也可能不同。同样,可选择地,诸如温度等环境因素影响传感器阵列1232的灵敏度,使得存在光谱数据的光强度值改变的可能性。换句话说,光强度值的差异可能出现在从同一样本1获得的原始光谱数据之间。
如上所述,在本公开中,为了克服在直接使用原始光谱时准确地执行诊断的困难,作为非必要的实施例,可以对原始光谱数据执行预处理。在下文中,将说明根据本公开的一个实施例的一些预处理。
这里,预处理可以是指诊断单元1400处理从LIBS单元1200获得的光谱数据。可以执行对光谱数据的预处理以改善诸如准确性、学习速度、计算速度等诊断算法的性能。预处理可以不一定是出于上述目的,并且可以出于各种其他目的来执行。
在下面的说明中,与从LIBS单元1200获得的光谱数据称为“原始光谱数据”相对,通过预处理从原始光谱数据处理的光谱数据称为“处理后的光谱数据”。代替原始光谱数据,诊断算法可以将处理后的光谱数据用作输入数据。
处理后的光谱数据可以通过对原始光谱数据进行预处理来获得。具体地,诊断单元1400的第二控制器1410可以从LIBS单元1200获得原始光谱数据,对原始光谱数据执行预处理以生成处理后的光谱数据,并使用诊断算法从处理后的光谱数据中获得诊断结果。
预处理的示例可以包括标准化(standardization)。
这里,标准化是指将原始光谱数据处理成具有相对于预定波长(以下称为“标准波长”)的光强度值的光谱数据。这里,标准波长可以对应于由诊断算法的输入数据所要求的波长。例如,设置为诊断算法的人工神经网络可以设计为将标准波长分配给输入层的输入节点。换句话说,标准化可以是指将原始光谱更改为具有标准规格的光谱数据。
图31是示出根据本公开的一个实施例的标准化的示意图。
参照图31,诊断***100可以执行标准化以从原始光谱数据生成具有标准规格的处理后的光谱数据作为诊断算法的输入数据。
具体地,第二控制器1410可以从LIBS单元1200获得原始光谱数据。第二存储器1450可以存储输入数据的标准规格信息。这里,标准规格信息可以包括波长范围、每个波长的强度值的数量、波长间隔、标准波长等。例如,标准规格可以是由人工神经网络的输入节点所要求的规格。第二控制器1410可以参照标准规格信息来处理原始光谱数据,并生成具有输入数据要求的规格的光谱数据,即,以标准规格的形式,作为处理后的光谱数据。
例如,第二控制器1410可以从原始光谱数据生成具有与诊断算法的输入节点的波长间隔相对应的波长间隔的处理后的光谱数据。同样,可选择地,第二控制器1410可以增加包括在原始光谱数据中的针对每个波长的强度值的数量。另外,可选择地,第二控制器1410可以从原始光谱数据生成波长范围被调节为与由诊断算法的输入节点请求的波长范围相对应的处理后的光谱数据。
通过标准化,原始光谱数据可以处理为诊断算法的输入数据,并且诊断算法可以使用处理后的原始光谱数据来计算诊断结果。在下文中,将参照附图说明根据本公开的一个实施例的标准化的具体实施例。
按照根据本公开的一个实施例的标准化的示例,诊断单元1400可以生成具有波长范围与原始光谱数据的波长范围不同的处理后的光谱数据。
图32是示出根据本公开的一个实施例具有原始波长范围的原始光谱数据的示例的图,而图33是示出根据本公开的一个实施例具有标准波长范围的处理后的光谱数据的示例的图。
原始光谱数据可以包括相对于原始波长范围的每个波长的强度值。原始光谱数据的原始波长范围可以根据LIBS单元1200的规格来确定。例如,当LIBS单元1200的光谱测量模块1230测量相对于200nm~800nm的波长范围的光强度值时,如图32所示,LIBS单元1200可以获得原始波长范围为200nm~800nm的光谱数据。
诊断单元1400可以从具有原始波长范围的原始光谱数据生成具有标准波长范围的处理后的光谱数据。例如,如图33所示,当标准波长范围在350nm~660nm的范围内时,诊断单元1400可以从具有200nm~800nm的波长范围的原始光谱数据生成具有350nm~660nm的波长范围的处理后的光谱数据。
根据示例,诊断单元1400可以提取原始光谱数据的一部分以生成具有与原始波长范围不同的标准波长范围的处理后的光谱数据。
图34是示出根据本公开的一个实施例获得处理后的光谱数据的过程的示例的图。
具体地,参照图34,第二存储器1450可以存储关于标准波长范围(其为输入数据所需的波长范围)的信息。第二控制器1410可以通过参照来自第二存储器1450的关于标准波长范围的信息来提取原始光谱数据的波长的强度值中标准波长范围中所包括的每个波长的强度值,并且使用针对每个波长提取的强度值生成具有标准波长范围的处理后的光谱数据。
可选择地,诊断单元1400可以根据原始光谱数据生成光谱曲线,并且基于光谱曲线生成具有标准波长范围的处理后的光谱数据。
图35是示出根据本公开的一个实施例获得处理后的光谱数据的过程的另一示例的图。
具体地,参照图35,第二控制器1410可以获得原始光谱数据,并且使用原始光谱数据的波长的强度值来生成关于波长-光强度域的光谱曲线。这里,光谱曲线可以使用包括最近插值、线性插值、多项式插值、样条插值等各种插值或外推技术来生成。第二存储器1450可以存储关于标准波长范围(其为输入数据所需的波长范围)的信息。第二控制器1410可以通过参照来自第二存储器1450的关于标准波长范围的信息,从与光谱曲线的标准波长范围相对应的部分中提取每个标准波长的强度值,并由此生成与标准波长范围相关的处理后的光谱数据。
如上所述,在本公开的一个实施例中,诊断单元1400将具有根据LIBS单元1200的规格确定的原始波长范围的原始光谱数据处理为具有诊断算法所需的标准波长范围的处理后的光谱数据。
标准波长范围可以根据将要诊断的对象和诊断的类型来不同地设定。例如,为了确定特定药物的成分,可以使用波长范围为320nm~550nm的光谱数据,并且为了确定另一种药物的成分,可以使用波长范围为200nm~250nm的光谱数据。可选择地,当通过对皮肤组织执行LIBS来执行皮肤癌诊断时,可以使用波长范围为270nm~800nm的光谱数据来执行诊断。
如上所述,可以根据各种标准来设定标准波长范围。
例如,当使用针对光谱数据的每个波长的强度值作为输入数据而获得诊断结果时,标准波长范围可以基于针对光谱数据的每个波长的特征重要度来确定。
这里,对于每个波长的特征重要度可以是指特定波长对诊断算法的诊断结果的影响程度。具有高特征重要度的波长的强度值可以解释为作为诊断算法的输入数据的必要性高。相反,具有低特征重要度的波长的强度值可以解释为作为诊断算法的输入数据的低必要性低。
图36是示出根据本公开的一个实施例针对光谱数据中包括的每个波长的特征重要度的图。
参照图36,包括在光谱数据中的多个波长可以分别相对于诊断结果具有特征重要度。这里,特征重要度可以计算为诊断算法的诊断结果与针对每个相应波长的强度值之间的相关因子。例如,特定波长和诊断结果之间的相关因子可以从通过将除特定波长以外的光谱数据输入到通过学习集学习的人工神经网络中获得的诊断准确性以及通过将包括特定波长的光谱数据输入到人工神经网络中获得的获得的诊断准确性之间的差获得,其中,在学习集中,光谱数据和诊断结果相互标记。可选择地,除以上说明之外,特征重要度可以通过使用在机器学习领域中使用的各种特征选择技术或各种特征提取技术来获得。
标准波长范围可以设定为包括具有高特征重要度的波长。例如,标准波长范围可以设定为包括特征重要度大于阈值的波长,并且设定为排除特征重要度小于阈值的波长范围。可选择地,标准波长范围可以设定为特征重要度大于阈值的波长之中的最小波长和最大波长之间的范围。
图37是示出根据本公开的一个实施例基于特征重要度来设定标准波长范围的示例的图。
图37示出了在波长-光强度轴上的光谱数据,并且示出了针对光谱数据中包括的每个波长的特征重要度是否大于或小于阈值。在这种情况下,标准波长范围可以设定为包括具有大于阈值的特征重要度的波长并且排除具有小于阈值的特征重要度的波长的第一范围,或者设定为包括具有大于阈值的特征重要度的波长之中最小波长和最大波长之间的波长的第二范围。
同时,在以上说明中,已经说明了基于与光谱数据的所有波长相关的特征重要度设定的标准波长范围。可选择地,标准波长范围可以基于与光谱数据中包括的某些波长相关的特征重要度来设定。这里,例如,光谱数据中包括的一些波长可以是与元素峰相对应的波长,或者可以是分别具有预定大小或更大的强度值的波长。
图38是示出根据本公开的一个实施例基于与一些波长相关的特征重要度设定标准波长范围的示例的图。
图38示出了基于对应于元素峰的波长之中具有大于阈值的特征重要度的波长来设定标准波长范围。具体地,图38示出了具有多个元素峰的光谱以及针对与多个元素峰相对应的波长的特征重要度是否大于或等于或者小于或等于阈值。在这种情况下,标准波长范围可以设定为具有大于或等于阈值的特征重要度的元素峰的波长之中最小波长和最大波长之间的第三范围,或者设定为缓冲区域添加到第三范围的下限和上限的第四范围。
在使用少到数百波长的强度值或多达数千波长的强度值作为输入数据的情况下,由于计算所有输入数据的特征重要度需要大量的劳动和时间,因此,在许多方法中,有利的是,以计算代替所有波长的某些波长的特征重要度并基于计算出的特征重要度获得标准波长范围。
作为用于设定标准波长范围的标准的另一示例,标准波长范围可以基于光谱数据的每个波长的强度值来确定。
例如,用于设定标准波长范围的每个波长的强度值可以是指用作学***均强度值。这里,优选地,用作学习集的光谱数据可以是经过将在下文进行说明的标准化的光谱数据。因此,每个波长的强度值也可以是标准化之后的每个波长的强度值。
图39是示出根据本公开的一个实施例基于每个波长的强度值来设定标准波长范围的示例的图。
图39示出了在波长-强度轴上表示的用作学***均值。标准波长范围可以设定为具有大于或等于阈值的特征重要度的波长之中的最小波长和最大波长之间的第五范围,或者设定为缓冲区域添加到第五范围的下限和上限的第六范围。这里,阈值可以确定为通过将全部或其部分光谱数据的强度值的总和乘以预定比率而获得的值,或者确定为任意值。
作为用于设置标准波长范围的标准的又一示例,标准波长范围可以考虑光谱数据的元素峰来确定。
例如,标准波长范围可以设定为包括与诊断结果具有高相关性的元素峰,并且排除与之具有低相关性的元素峰,或者可以设定为与诊断结果具有高相关性的元素峰中的最小波长和最大波长之间的区域或设定为添加有缓冲区的范围。
图40是示出根据本公开的一个实施例基于元素峰的诊断相关性来设定标准波长范围的示例的图。
图40示出了用于在皮肤组织上执行癌症测试获得的光谱。在这种情况下,由于与钙有关的第一峰、与钠有关的第二峰和与氢有关的第三峰的含量在癌细胞和未患病的细胞之间明显不同,因此可以确定作为诊断对象的皮肤组织与是否为癌细胞或未患病细胞的皮肤组织高度相关。相反,由于与氧有关的第四峰或与钾有关的第五峰在癌细胞和未患病细胞之间的含量上差异不大,因此第四峰和第五峰与作为诊断对象的皮肤组织是否是癌细胞或未患病的细胞具有低相关性。因此,标准波长范围可以设定为基本上包括具有高相关性的第一、第二和第三峰。
同时,光谱数据中的某些元素峰可能是针对同一元素的元素峰。例如,当作为LIBS的对象的物体的一部分被消融并迁移成等离子体状态时,消融物体中包括的元素可以激发为具有不同的能级。因此,即使在相同元素的情况下,发射光谱的波长也可以根据激发的能级而变化。
因此,当标准波长范围基于元素峰的相关性设定时,可以进一步考虑元素峰是否重叠。
图41是示出根据本公开的一个实施例通过进一步考虑重复的元素峰来设定标准波长范围的示例的图。
图41示出了用于在皮肤组织上执行癌症测试获得的光谱。在这种情况下,铁(Fe)是相对于癌细胞或癌症组织具有高诊断相关性的元素峰,并且可以在340nm和660nm的波长处重叠地生成。在这种情况下,当设定标准波长范围时,可以仅包括波长中的一者。例如,如图41所示,当除铁以外的与具有380nm以下的元素峰相关的元素具有低诊断相关性时,340nm的与铁相关的元素峰排除在标准波长范围之外。
总之,标准波长范围可以设定成使得具有高诊断相关性的元素之中的除重复的元素峰中的一者之外的其余的元素峰不包括在标准波长范围内。当通过LIBS执行诊断时,由于输入数据的分辨率可以随着波长范围的减小而提高,因此从重复的元素峰之中的标准波长范围中排除的元素峰可以主要选择为波长范围(设定为除与诊断有关的元素相关的元素峰之中的重复的元素峰之外的单个元素峰)以外的重复的元素峰。
如上所述,已经提出了用于设定波长范围的一些标准,但是用于设定波长范围的标准不限于上述示例。此外,上述示例可以单独用于波长范围设定,并且可以通过适当地组合来使用。
同时,上述标准波长范围设定可以由诊断***100或诊断单元1400或者由开发适用于诊断单元1400的诊断算法的计算机设备或周期性地更新诊断单元1400的诊断算法的服务器来执行。此外,设定的标准波长范围可以存储在诊断单元1400的第二存储器1450中,并且当从原始光谱数据生成处理后的光谱数据时,第二控制器1410可以参考设定的标准波长范围。
同时,标准波长范围可以根据期望的诊断种类而不同。具体地,用于诊断皮肤癌的标准波长范围可以与用于诊断皮肤老化的标准波长范围不同地设定。因此,在执行多次诊断的诊断***100中,用于每个诊断的标准波长范围存储在第二存储器1450中,并且当第二控制器1410获得用于诊断种类的用户输入时,第二控制器1410可以基于用户输入参照第二存储器1450来改变/设定将要执行的每个诊断的标准波长范围。
根据根据本公开的一个实施例的标准化的另一示例,诊断单元1400可以生成具有与原始光谱数据的强度值的数量不同的针对每个波长的强度值的数量的处理后的光谱数据。
在诸如人工神经网络等非线性机器学习算法的情况下,随着用于人工神经网络的学习的参考数据中包括的信息量的增加,可以提高模型性能。因此,即使在本公开中,也可以通过增加人工神经网络的输入节点的数量来提高诊断准确性。
在这种情况下,根据本公开的一个实施例的原始光谱数据可以具有限制在根据LIBS单元1200的规格确定的波长范围内的每个波长的强度值的数量。在这种情况下,人工神经网络可以使用具有大于设定为适于人工神经网络学习的波长范围内有限数量的信息段的参考数据来训练。在这种情况下,诊断单元1400增加原始光谱数据中包括的人工神经网络的输入数据所需的波长范围内的每个波长的强度值的数量,从而生成具有对应于人工神经网络的输入节点的波长范围和/或数量的波长范围内的每个波长的强度值的数量的处理后的光谱数据。
在下文中,为了便于说明,将光谱数据的每个波长的强度值的数量称为数据的数量。
例如,可以通过对原始光谱数据进行标准化来生成猜测数据。在这种情况下,猜测数据可以是指通过处理原始光谱数据而生成的新衍生的变量。例如,猜测数据可以是从上述光谱曲线提取的特定波长处的强度值。
所生成的猜测数据可以用于人工神经网络的学习或输入到人工神经网络的输入节点。因此,除原始光谱数据中包括的波长以外的波长的强度值可以生成为猜测数据,并在人工神经网络中使用。因此,可以提高人工神经网络的诊断结果的准确性,并且原始光谱数据的每个波长的强度值的数量可以改变为对应于人工神经网络的输入节点所需的波长范围内的输入数据的数量。
在下文中,将参照附图说明根据本公开的一个实施例生成每个波长的强度值的数量与原始光谱数据的不同的处理后的光谱数据。
图42和图43是示出根据本公开的一个实施例针对原始光谱数据的每个波长的强度值的数量的变化的图。
图42是示出根据本公开的一个实施例与通过标准化来改变针对原始光谱数据的每个波长的强度值的数量有关的图表的图,而图43是示出根据本公开的一个实施例通过标准化改变针对原始光谱数据的每个波长的强度值的数量的图。
根据本公开的一个实施例,诊断单元1400可以基于原始光谱数据生成数据的数量与原始光谱数据不同的处理后的光谱数据。在下文中,为了便于说明,原始数据中包括的数据的数量是指“原始数据的数量”,而处理后的光谱数据中包括的数据的数量是指“标准数据的数量”。处理后的数据的数量可以与人工神经网络的输入节点的数量一致。
具体地,参照图42和43,第二存储器1450可以存储关于标准数据的数量(其作为输入数据所需的每个波长的强度值的数量)的信息。第二控制器1410可以参照来自第二存储器1450的关于标准数据的数量的信息,通过处理原始光谱数据生成猜测数据,并且生成具有包括猜测数据的标准数据的数量的处理后的光谱数据。
此外,第二存储器1450可以存储关于与输入数据所需的每个波长的强度值相对应的波长的标准波长信息。这里,标准波长的条数可以大于原始数据的数量。第二控制器1410可以通过参照来自第二存储器1450的标准波长信息来处理原始光谱数据,以生成强度值与标准波长相对应的猜测数据,并且生成具有包括猜测数据的多个标准数据的数量的处理后的光谱数据。
这里,标准数据的数量可以不同地设定。例如,预定数量可以对应于人工神经网络的输入节点的数量。
作为详细示例,参照图42,第二控制器1410可以生成具有针对每个波长约两倍的强度值的数量同时具有与原始光谱数据相同的波长范围的处理后的光谱数据。这里,处理后的光谱数据可以包括猜测数据。
这里,当原始光谱数据包括与某些标准波长相对应的每个波长的强度值时,除与原始光谱数据中包含的某些标准波长相对应的强度值以外,处理后的光谱数据还可以包括具有与其余的标准波长相对应的强度值的猜测数据。
此外,当原始光谱数据不包括与标准波长相对应的每个波长的强度值时,处理后的光谱数据可以仅包括具有与标准波长相对应的强度值的猜测数据。
猜测数据可以不包括在原始光谱数据中,而可以是基于原始光谱数据中包括的每个波长的强度值得出的值。更具体地,第二控制器1410可以处理在200nm~700nm的波长范围内具有60个波长的原始光谱数据,以生成在200nm~700nm的波长范围内具有120个波长的处理后的光谱数据。
此外,猜测数据可以是通过对原始光谱数据中包括的每个波长的强度值进行插值而生成的值。例如,猜测数据可以是相邻波长的强度值之间的中值或通过对相邻波长的强度值进行插值而生成的值。例如,猜测数据可以从原始光谱数据中包括的每个波长的强度值的波长-光强度光谱曲线中提取。
参照图43,诊断***100可以使用光谱曲线来生成每个波长的强度值的数量与原始光谱数据不同的处理后的光谱数据。具体地,第二控制器1410可以基于原始光谱数据中包括的每个波长的强度值从光谱曲线中提取猜测数据,并且生成具有包括猜测数据的标准数据的数量的处理后的光谱数据。
此外,根据基于本公开的一个实施例的标准化的另一示例,诊断单元1400可以生成波长间隔与原始光谱数据的不同的处理后的光谱数据。
如上所述,由于诊断***100的设定的改变,当由于获得光谱数据的设备之间的性能的微小差异而改变光谱数据的波长间隔或在检测到的波长中产生偏移使得获得的光谱数据的波长间隔发生变化时,诊断算法的诊断准确性可能会下降。在这种情况下,为了提高诊断算法的准确性,必须对光谱数据进行处理,使得光谱数据的波长间隔与诊断算法兼容。此外,随着波长间隔在光谱数据的特定波长范围内变化,光谱数据中的数据的数量可以变化。
在下文中,将参照附图说明根据本公开的一个实施例生成波长间隔与原始光谱数据的不同的处理后的光谱数据。
图44和图45是根据本公开的一个实施例用于改变光谱数据的波长间隔的图。
具体地,图44是示出根据本公开的一个实施例与通过标准化来改变光谱数据的波长间隔有关的图表的图,而图45是示出根据本公开的一个实施例通过标准化来改变原始光谱数据的波长间隔的图。
根据本公开的一个实施例,诊断单元1400可以基于原始光谱数据来生成波长间隔与原始光谱数据的不同的处理后的光谱数据。在下文中,为了便于说明,原始光谱数据中包括的波长间隔称为“原始波长间隔”,而处理后的光谱数据中所包括的波长间隔称为“标准波长间隔”。处理后的波长间隔可以与人工神经网络的输入数据的波长间隔一致。
具体地,参照图44和图45,第二存储器1450可以存储关于标准波长间隔(其为输入数据所需的波长间隔)的信息。第二控制器1410可以参照来自第二存储器1450的关于标准波长间隔的信息,通过处理原始光谱数据来生成具有标准波长间隔的处理后的光谱数据。
这里,标准波长间隔可以不同地设定。例如,标准波长间隔可以对应于人工神经网络的输入节点的波长间隔。
作为详细示例,参照图44,第二控制器1410可以生成具有与作为原始光谱数据的波长间隔的A nm不同的B nm的波长间隔的处理后的光谱数据。具体地,第二控制器1410可以处理具有A nm波长间隔的原始光谱数据,以生成具有B nm波长间隔的处理后的光谱数据。因此,处理后的光谱数据可以包括比原始光谱数据更多的数据数量。
参照图45,诊断***100可以使用光谱曲线来生成波长间隔与原始光谱数据的不同的处理后的光谱数据。具体地,第二控制器1410可以从基于原始光谱数据中包括的每个波长的强度值的波长的光谱曲线中提取猜测数据,并且生成包括猜测数据的处理后的光谱数据,其中,猜测数据对应于每个波长的强度值之间的光谱曲线上的标准波长间隔。
在下文中,将参照附图说明通过上述波长间隔调节的光谱数据之间的偏移校正。
图46是示出根据本公开的一个实施例的波长偏移校正的图。
图46示出了在具有相同规格和/或设定的多个LIBS单元1200中针对相同物体测量的并且其中生成了偏移的第一和第二光谱数据。
例如,即使使用存储同样学习和编程的人工神经网络的诊断单元1400从光谱数据执行诊断,由于多个LIBS单元1200测量光谱数据的机械原因,也会在同一物体中测量的光谱数据中产生偏移,从而可能会影响获得的诊断结果。
可选择地,当用于执行诊断算法而测量人工神经网络的学习集中包括的参考光谱数据的LIBS单元1200和测量原始光谱数据的LIBS单元1200具有相同的规格和/或设定时,由于LIBS单元1200之间的机械原因,可能会产生波长偏移。
在这种情况下,调节光谱数据的波长间隔,使得具有不同波长间隔的光谱数据可以设定为具有相同的波长间隔。即,第二控制器1410可以通过调节所获得的光谱数据的波长间隔来生成具有标准波长间隔的处理后的光谱数据。
再次参照图46,由于在同一物体中测量的具有10nm的波长间隔的第一光谱数据和具有6nm的波长间隔的第二光谱数据之间的4nm的波长间隔差,因此可以产生波长偏移。在这种情况下,如作为示例所示,第二控制器1410可以通过调节第一光谱数据和第二光谱数据的波长间隔来生成设定为具有7nm的相同的波长间隔的第三光谱数据。上述波长间隔是示例性的值。显而易见的是,第一光谱数据的测量波长间隔为1nm,第二光谱数据的测量波长间隔为0.6nm,并且第二控制器1410可以将测量波长间隔调节为0.7nm的间隔。
根据本公开的一个实施例的上述标准化可以执行为使得光谱数据中包括的一个元素对应于标准,或者多个元素对应于标准规范并且可以依此执行为使得多个元素对应于标准规范
例如,第二控制器1410可以获得原始光谱数据,并在与原始光谱数据相关的波长-光强度域上生成光谱曲线。当光谱曲线生成时,第二控制器1410可以通过使用所生成的光谱曲线将原始光谱数据处理为具有标准波长范围来生成处理后的光谱数据。当具有标准波长范围的处理后的光谱数据生成时,第二控制器1410可以通过调节具有标准波长范围的处理后的光谱数据的波长间隔来生成具有标准波长间隔的处理后的光谱数据。此后,第二控制器1410可以通过使用具有标准波长范围和标准波长间隔的处理后的光谱数据从光谱曲线中提取与标准波长间隔相对应的标准数据的数量来生成输入数据。
如上所述,执行标准化以使得原始光谱数据的波长间隔可以处理为对应于人工神经网络的输入节点,从而可以提高诊断算法的诊断准确性。
预处理的示例可以包括正规化(normalization,或规范化、正常化)。
这里,正规化是指将原始光谱数据中包括的每个波长的全部或部分强度值之和处理成具有预定强度值(在下文中,称为“参考值”)的光谱数据。这里,参考值可以是与将用于人工神经网络的学习的学习集的参考光谱数据中包括的每个波长的强度值相对应的值。
根据本公开的一个实施例,可能期望使用由包括对上述环境变量的较小影响的参考光谱数据构成的学习集来学习人工神经网络。例如,由具有大能量的激光和具有小能量的激光器从同一物体生成的等离子体消融观察到的光谱可以具有相似的图案,但是对于每个波长的强度值而言可以是不同的。可选择地,由具有相同能量的激光从具有相同材料和不同表面状态(例如,表面湿度等)的物体生成的等离子体消融物体观察到的光谱也可以具有相似的图案,但是对于每个波长的总强度值而言可以是不同的。因此,有必要在保持光谱图案的同时均匀化整个光谱的大小。
使用其强度值校正为对应于特定参考值并且减小了环境变量的影响的参考光谱数据来训练人工神经网络,输入数据也使用针对每个波长的强度值得到调节的光谱数据对应于特定参考值,从而可以提高用于诊断的计算的灵敏度和/或特异性。
在这种情况下,为了减小环境变量的影响以及使规模与构成用于人工神经网络的学习的学习集的参考光谱数据相匹配,优选的是使用对应于特定参考值(其作为针对参考光谱数据的每个波长的校正参考)的参考值校正用作人工神经网络的输入数据的光谱数据的每个波长的强度值。
总之,为了根据本公开的一个实施例消除环境变量对在人工神经网络中使用的光谱数据的影响以及在用作人工神经网络的输入数据的光谱数据和用于人工神经网络的学习的参考光谱数据之间匹配规模,可能需要对光谱数据中包含的每个波长的强度值进行正规化。
图47是示出根据本公开的一个实施例的正规化的示意图。
参照图47,诊断***100可以执行正规化以从原始光谱数据生成具有正规化的参考值的处理后的光谱数据作为诊断算法的输入数据。
具体地,第二控制器1410可以从LIBS单元1200获得原始光谱数据。第二存储器1450可以存储输入数据的参考值信息。第二控制器1410可以基于存储在第二存储器1450中的参考值信息来处理原始光谱数据,以生成具有包含与参考值相对应的强度值的光谱数据的处理后的光谱数据。
这里,优选将处理后的光谱数据中包含的针对每个波长的光强度值之间的比率与原始光谱数据中包含的针对每个波长的光强度值之间的比率正规化为彼此大致相同或相似。即,当第二控制器1410处理原始光谱数据以生成正规化的处理后的光谱数据时,第二控制器1410可以生成处理后的光谱数据以具有与原始光谱数据的波形大致相同或相似的波形。
这里,参考值可以不同地设定。例如,参考值可以是与在特定波长处每个波长的强度值相关的值。作为详细示例,参考值可以是与包括在光谱数据中的至少一个特定元素峰的特定强度值相关的值。可选择地,参考值可以是与特定波长范围内的每个波长的强度值之和相关的值。同样,可选择地,参考值可以是与从光谱曲线提取的部分区域相关的值。另外,可选择地,如上所述,参考值可以是特定参考值,该特定参考值为用于校正用于人工神经网络的学习的参考光谱数据的强度值的参考。
即,第二控制器1410可以基于原始光谱数据中的特定波长处的强度值生成处理后的光谱数据,该处理后的光谱数据中,改变了正规化对象的波长范围内的每个波长的强度值。
此外,第二控制器1410可以基于原始光谱数据中的特定波长范围内的每个波长的强度值之和,生成改变了正规化对象的波长范围内的每个波长的强度值的处理后的光谱数据。
此外,第二控制器1410可以基于与使用原始光谱数据的每个波长的强度值生成的波长-光强度有关的光谱曲线中的某些区域的面积值,生成改变了正规化对象的波长范围内的每个波长的强度值的处理后的光谱数据。
在本公开中,通过正规化,原始光谱数据可以处理为诊断算法的输入数据,并且诊断算法可以使用处理后的原始光谱数据来计算诊断结果。
在下文中,将参照附图说明根据本公开的一个实施例的正规化的详细示例。
根据基于本公开的一个实施例的正规化的示例,诊断单元1400可以基于原始光谱数据中包括的特定波长的强度值,通过调节每个波长的强度值的大小来生成处理后的光谱数据。
图48是示出根据本公开的一个实施例基于特定波长的强度值的正规化的示例的图。
参照图48,可以在第二存储器1450中设定至少一个特定波长和针对该特定波长的参考值。第二控制器1410可以获得原始光谱数据并调节针对原始光谱数据的每个波长的强度值,使得原始光谱数据中包括的每个波长的强度值之中的特定波长处的强度值与参考值一致。具体地,第二控制器1410可以计算对应于原始光谱数据的每个波长的强度值之中的特定波长的强度值的参考值之间的比率,并且将原始光谱数据的每个波长的强度值乘以对应于特定波长的强度值的参考值之间的比率,从而调节每个波长的强度值的大小。
在这种情况下,特定波长可以是对应于元素峰的波长。此外,通常可以选择特定波长作为具有用于诊断的标准波长范围的最大强度的元素峰的波长。
特定波长可以设置为多个特定波长。在这种情况下,每个波长的强度值的大小可以使用在原始光谱数据的每个波长的强度值之中对应于特定波长的强度值的参考值之间的比率的平均值来调节。
根据根据本公开的一个实施例的正规化的另一示例,诊断单元1400可以基于包括在原始光谱数据中的特定波长范围的强度值,通过调节每个波长的强度值的大小来生成处理后的光谱数据。当使用波长范围执行正规化时,与基于单个波长或多个波长下的强度值执行正规化时相比,对外部变量或误差的鲁棒性更高。
根据示例,正规化可以使用特定波长范围中包括的每个波长的强度值之和或平均值来执行。
图49是示出根据本公开的一个实施例的基于波长范围的强度值的正规化的示例的图。
参照图49,可以在第二存储器1450中设定特定波长范围和用于该特定波长范围的参考值。第二控制器1410可以获得原始光谱数据并调节针对原始光谱数据的每个波长的强度值,使得原始光谱数据中包括的每个波长的强度值之中的特定波长范围内的强度值之和与参考值一致。具体地,第二控制器1410可以计算原始光谱数据的每个波长的强度值之中的特定波长范围中包括的强度值之和的参考值之间的比率,并且将原始光谱数据的每个波长的强度值乘以特定波长范围中包括的强度值之和的参考值之间的比率,从而调节每个波长的强度值的大小。
这里,可以将特定波长范围选择为任意范围。例如,特定波长范围可以与用作输入数据的标准波长范围一致。可选择地,特定波长范围可以是在LIBS单元1200中观察到的整个波长范围。另外,可选择地,特定波长范围可以包括用作输入数据的标准波长范围,并且可以是在LIBS单元1200中观察到的波长范围中包括的范围。
在上述说明中,使用了包括在特定波长范围中的每个波长的强度值的总和,但是可以使用强度值的平均值代替其总和。
根据根据本公开的一个实施例的正规化的另一示例,诊断单元1400可以基于观察到的光谱的能量(或功率密度)来执行正规化。
图50是示出根据本公开的一个实施例使用光谱曲线的正规化的示例的图。
诊断单元1400可以根据原始光谱数据在波长-光强度轴上生成光谱曲线,通过对光谱曲线积分来计算能量(或功率密度),并且使用计算出的能量进行正规化。
例如,第二控制器1410可以基于与原始光谱有关的波长-光强度从原始光谱数据生成原始光谱曲线。第二存储器1450可以存储特定波长范围和/或参考值。例如,第二控制器1410可以通过对关于存储在存储器1450中的特定波长范围的原始光谱曲线进行积分来计算原始光谱的能量(或功率密度)。第二控制器1410可以计算参考值与计算出的能量(或功率密度)的比率,将原始光谱曲线的大小乘以参考值与能量(或功率密度)的比率以生成处理后的光谱曲线,并且从处理后的光谱曲线中获得标准波长的光强度值,从而生成处理后的光谱数据。
可选择地,第二控制器1410可以计算原始光谱的能量(或功率密度)。第二控制器1410可以通过将原始光谱数据的每个波长的强度值乘以参考值与原始光谱的能量(或功率密度)的计算比率,来调节每个波长的强度值的大小。
这里,特定波长范围可以选择为任意范围。例如,特定波长范围可以与用作输入数据的标准波长范围一致。可选择地,特定波长范围可以是在LIBS单元1200中观察到的整个波长范围。另外,可选择地,特定波长范围可以包括用作输入数据的标准波长范围,并且可以是在LIBS单元1200中观察到的波长范围中包括的范围。
作为预处理的示例的上述标准化和正规化可以单独执行或通过彼此组合来执行。在下文中,将说明使用上述预处理的示例从原始光谱数据生成用作机器学习模型的输入数据的处理后的光谱数据的实施例。
图51是示出根据本公开的一个实施例生成用作机器学习模型的输入数据的处理后的光谱数据的方法的示例的流程图。
根据本公开的一个实施例的产生处理后的光谱数据的方法可以包括:获得原始光谱数据(S2000);生成光谱曲线(S2200);相对于生成的光谱曲线调节强度值(S2400);以及从调节强度值的光谱曲线提取标准数据(S2600)。
诊断单元1400可以执行生成处理后的光谱数据的方法。
首先,诊断单元1400可以获得原始光谱数据(S2000)。具体地,第二控制器1410可以从LIBS单元1200获得原始光谱数据。
接下来,诊断单元1400可以生成光谱曲线(S2200)。具体地,第二控制器1410可以基于原始光谱数据的每个波长的强度值,在波长-光强度域上生成光谱曲线。
然后,诊断单元1400可以调节光谱曲线的强度值(S2400)。具体地,第二控制器1410可以参照存储在第二存储器1450中的参考值信息,通过调节与原始光谱数据相关的光谱曲线的强度值以对应于参考值,来生成调节强度的光谱曲线。
接下来,诊断单元1400可以提取与人工神经网络的输入数据的规格相对应的标准数据。具体地,第二控制器1410可以参照存储在第二存储器1450中的标准规格信息,通过从调节强度值的光谱曲线提取与人工神经网络的输入节点的标准规格相对应的标准光谱数据,来生成处理后的光谱数据。
当处理后的光谱数据生成时,诊断单元1400可以从处理后的光谱数据获得诊断结果。具体地,第二控制器1410可以参照存储在第二存储器1450中的人工神经网络,将处理后的光谱数据输入到人工神经网络的输入层,从而从处理后的光谱数据中获得是否存在疾病的结果。
除了上述示例以外,根据本公开的一个实施例的诊断***100还可以通过结合标准化与正规化来执行预处理过程。这里,可以执行一个预处理过程,然后可以执行另一预处理过程。在这种情况下,可以对代替原始光谱数据的在先前的预处理过程中生成的处理后的光谱数据执行后续的预处理过程。
在下文中,将说明根据本公开的一个实施例使用人工神经网络从光谱数据确定诊断结果的一些示例。
图52是示出根据本公开的一个实施例使用人工神经网络从单个光谱数据确定诊断结果的示例的图。
参照图52,诊断单元1400可以使用人工神经网络根据从目标样本获得的单个光谱数据对目标样本进行诊断。
具体地,第二控制器1410可以使用存储在第二存储器1450中的人工神经网络将从目标样本获得的原始光谱数据作为输入数据输入到人工神经网络的输入层,并且根据计算结果获得目标样本的诊断结果,该计算结果由人工神经网络基于从目标样本获得的原始光谱数据执行而得。
这里,人工神经网络可以使用由标记有针对每条单个光谱数据的诊断结果的参考光谱数据构成的学习集来训练。例如,人工神经网络可以使用以下学习集来训练,该学习集包括含有在与患病样本相关的每个波长的强度值处标记为患有疾病的单个光谱数据和/或在与未患病样本相关的每个波长的强度值处标记为未患有疾病的单个光谱段的大量数据(约4000或更多)。
此外,输入到人工神经网络的光谱数据不仅可以直接输入为原始光谱数据,还可以是在其上执行预处理的处理后的光谱数据。即,当诊断单元1400从LIBS单元1200获得单条原始光谱数据时,诊断单元1400不仅可以通过将获得的单条原始光谱数据输入到人工神经网络来从单条原始光谱数据获得目标样本的诊断结果,也可以通过将单条处理后的光谱数据(其通过对从LIBS单元1200获得的单条原始光谱数据进行处理而获得)输入到人工神经网络来从单条处理后的光谱数据获得目标样本的诊断结果。
这里,单条光谱数据不是指在LIBS单元1200中相对于目标样本仅测量一次的光谱数据,而是使用相对于同一目标样本测量的多个光谱数据而生成的单条光谱数据。例如,单条光谱数据可以是相对于同一目标样本测量的光谱数据的平均值或总和。即,诊断单元1400可以从LIBS单元1200获得相对于同一目标样本多次测量的光谱数据,并且使用所获得的光谱数据之间的平均值或所获得的光谱数据的总和值作为人工神经网络的输入数据。如上所述,相对于同一目标样本多次测量的光谱数据处理成单条光谱数据,然后使用单条光谱数据而不是使用相对于目标样本仅测量一次的光谱数据,使得可以有效地减少包括在光谱数据中的误差因子的影响。然而,当使用相对于目标样本测量的光谱数据时,优选的是调节光谱数据的强度值,即,优先执行上述正规化。
在本公开的以下说明中,为了便于说明,将说明使用人工神经网络诊断皮肤癌的示例性实施例。例如,当根据本公开的一个实施例使用人工神经网络从单条光谱数据来执行皮肤癌诊断时,目标样本可以是怀疑患有皮肤癌的组织,并且诊断结果可以是皮肤癌是否存在于目标样本中的结果。然而,由于上述说明,应当理解,根据本公开的诊断不限于皮肤癌。
如上所述,已经说明了使用人工神经网络从与结合目标样本相关的从单条光谱数据获得诊断结果。然而,当仅使用相对于与目标样本相关的单条光谱数据并且由人工神经网络执行计算时,人工神经网络应对包括在光谱数据中的各种情况因素的能力较低。例如,即使在从各位患者的相同皮肤组织获得的光谱数据之间,具有不同特性的光谱数据也可以根据诸如具有组织的每个患者的年龄、性别、种族和环境等特异性来测量具有不同特性的光谱数据。作为详细示例,根据患者的种族,可以不同地测量包括在光谱数据中的表示皮肤组织中包括的特定元素的元素峰的强度值。在这种情况下,当作为用于测量用于人工神经网络的学习的参考光谱数据的参考的患者群体与将成为实际诊断的对象的患者之间的患者特异性发生变化时,可能会降低诊断结果的准确性。在这种情况下,当从组合有从多个对象获得的光谱数据的组合光谱数据获得诊断结果时,减小了由于患者的特异性引起的影响,从而可以提高诊断结果的准确性。例如,从存在皮肤癌的组织中测量的光谱数据和从未患病的组织中测量的光谱数据之间的差值可以仅包括不受患者的特异性影响的未患病的组织与皮肤癌的组织之间的显著差异,从而可以使用差值提高诊断结果的准确性。
可选择地,可以使用人工神经网络从光谱数据值中对作为诊断对象的物体执行诊断。
图53是示出根据本公开的一个实施例使用人工神经网络从组合有光谱数据的光谱数据中确定诊断结果的图。
参照图53,诊断单元1400可以使用人工神经网络根据组合有光谱数据的光谱数据对目标样本执行诊断。
具体地,第二控制器1410可以从LIBS单元1200获得原始光谱数据,从获得的原始光谱数据中生成组合有原始光谱数据的组合光谱数据,并且将所生成的组合光谱数据作为人工神经网络的输入数据输入到人工神经网络的输入层,从而根据人工神经网络基于组合光谱数据执行而得的计算结果,获得目标样本的诊断结果。
这里,可以相对于组合了从目标样本和参考样本获得的光谱数据的组合光谱数据,使用由标记有诊断结果的参考光谱数据构成的学习集来训练人工神经网络。例如,可以使用学习集来训练人工神经网络,该学习集包括利用从患病样本和未患病样本测量的所测得的光谱数据之间的差值标记为存在疾病的光谱数据和/或利用从未患病样本和另一未患病样本测量的所测得的光谱数据之间的差值标记为不存在疾病的光谱数据。
此外,组合光谱数据可以以各种方式生成。例如,组合光谱数据可以是在两条或更多光谱数据彼此对应的波长处针对每个波长的强度值的差值。可选择地,组合光谱数据可以是两条或更多光谱数据彼此对应的波长处针对每个波长的强度值之间的比率值。同样,可选择地,组合光谱数据可以是两条或更多光谱数据彼此对应的波长处针对每个波长的强度值的总值。另外,可选择地,组合光谱数据可以是两条或更多光谱数据彼此对应的波长处的每个波长的强度值的乘法值。
此外,用于生成组合光谱数据的光谱数据可以是上述处理后的光谱数据以及上述原始光谱数据。即,原始光谱数据可以在处理成组合光谱数据之前进行预处理,并且处理后的光谱数据可以处理成组合光谱数据。可选择地,原始光谱数据可以首先处理成组合光谱数据,并且组合光谱数据可以进行预处理并处理成处理后的光谱数据。即,人工神经网络的输入数据可以是通过对组合光谱数据进行预处理而获得的处理后的光谱数据,或者可以是通过组合处理后的光谱数据而获得的组合光谱数据。如上所述,本公开不限于本文所述的示例性实施例,并且原始光谱数据可以以各种顺序或方式进行预处理和/或组合。将在下文说明与原始光谱数据的处理有关的详细内容。
此外,光谱数据可以是从各种物体获得的光谱数据。例如,当光谱数据包括从目标样本获得的光谱数据和从参考样本获得的光谱数据时,目标样本和参考样本可以根据每个物体所处的位置或每个物体的疾病状态来区分。
图54是示出根据本公开的一个实施例获得光谱数据处的点的图。
根据本公开的一个实施例,目标样本是作为诊断对象的物体,并且可以是怀疑患有疾病的组织。此外,参考样本可以是用于与目标样本进行比较或参考的样本,并且可以是已经确认了疾病存在或不存在的组织。例如,参考样本可以是诸如确认为非患病组织的斑点等染色的组织。可选择地,参考样本可以是未患病的组织。即,当确定目标样本时,参考样本可以选择为可以容易地与已经确认疾病存在或不存在的组织片中的目标样本进行比较的组织。
例如,当使用目标样本和参考样本的光谱数据之间的差值执行皮肤癌诊断时,由于利用包括目标样本和参考样本之间的一致的差值的参考光谱数据来训练人工神经网络,可以改善人工神经网络的预测性能,从而,优选的是,选择未患病样本(或染色的组织)(其具有与皮肤癌组织一致的光谱特性的差异)作为参考样本。
具体地,由于正常组织(或染色的组织)位于更靠近皮肤癌组织的位置,因此可以提高光谱数据中通常可以包括皮肤癌组织和未患病的组织(或染色的组织)的(例如,水分含量、硬度、紫外线照射、皮肤颜色等)性质的可能性。因此,当获得皮肤癌组织与位于皮肤癌组织附近的未患病组织(或有色素组织)之间的光谱差异时,可以导出与除皮肤组织的性质之外的疾病相关的显著的光谱差异,其中,该皮肤组织的性质受皮肤癌组织和未患病组织之间一般环境影响。即,参考样本可以位于距目标样本的预定距离内,从而应当利用主要包括与未患病组织和皮肤癌组织之间的疾病相关的显著差异的参考光谱数据来学习人工神经网络。
此外,根据本公开的一个实施例,从同一目标样本或参考样本获得的光谱数据可以用于诊断。使用从同一目标样本或参考样本获得的光谱数据,使得可以减少光谱数据中包括的误差的原因。
如上所述,已经说明了可以使用人工神经网络从组合光谱数据获得用于皮肤癌的诊断结果。除上述示例以外,根据本公开的一个实施例的诊断***100还可以通过将诸如标准化和正规化等预处理与组合光谱数据的处理相结合来获得输入数据,从而获得诊断结果。这里,在执行一个预处理过程之后,光谱数据可以在执行另一预处理过程之前组合光谱数据,或者在执行所有预处理过程之后,可以组合光谱数据。在这种情况下,代替原始光谱数据,可以对在先前的预处理过程中生成的处理后的光谱数据执行后续的预处理过程或组合光谱数据的过程,或者可以对组合光谱数据进行预处理过程。
在下文中,在根据本公开的一个实施例使用人工神经网络从多条光谱数据中确定诊断结果的方法中,将参照附图说明其中组合执行预处理多条光谱数据的过程和生成组合光谱数据的处理过程的一些详细示例。
图55是示出根据本公开的一个实施例使用人工神经网络从光谱数据确定诊断结果的方法的第一详细示例的流程图。
根据本公开的一个实施例,使用人工神经网络从光谱数据中确定诊断结果的方法可以包括:获得多条原始光谱数据(S3000);获得多条处理后的光谱数据(S3200);获得组合光谱数据(S3400);以及获得诊断结果(S3600)。
根据本公开的一个实施例,诊断单元1400可以执行确定诊断结果的方法。
首先,在获得多条原始光谱数据(S3000)中,诊断单元1400可以从LIBS单元1200获得多条原始光谱数据。具体地,第二控制器1410可以获得在LIBS单元1200中获得的与目标样本相关的原始光谱数据和与参考样本相关的原始光谱数据。
此后,在获得多条处理后的光谱数据(S3200)中,诊断单元1400可以通过预处理多个原始光谱数据来获得处理后的光谱数据。具体地,第二控制器1410可以通过正规化和标准化与目标样本相关的原始光谱数据和以及与参考样本相关的原始光谱数据来获得多条处理后的光谱数据。这里,可以以与上述相同或相似的方式执行正规化和标准化。
然后,在获得组合光谱数据(S3400)中,诊断单元1400可以通过组合多条处理后的光谱数据来获得组合光谱数据。具体地,第二控制器1410可以通过组合与目标样本相关的处理后的光谱数据和与参考样本相关的处理后的光谱数据来获得组合光谱数据。这里,可以以与上述相同或相似的方式来执行组合多条处理后的光谱数据的过程。
此后,在获得诊断结果(S3600)中,诊断单元1400可以使用人工神经网络从组合光谱数据获得诊断结果。具体地,参照存储在第二存储器1450中的人工神经网络,第二控制器1410可以将组合光谱数据输入到人工神经网络的输入层,并获得根据人工神经网络的计算得出的诊断结果值。
图56是示出根据本公开的一个实施例使用人工神经网络根据多条光谱数据确定诊断结果的方法的第二详细示例的流程图。
根据本公开的一个实施例,使用人工神经网络根据多条光谱数据确定诊断结果的方法可以包括:获得多条原始光谱数据(S4000);获得多条正规化的光谱数据(S4200);获得组合光谱数据(S4400);获得输入光谱数据(S4600);以及获得诊断结果(S4800)。
根据本公开的一个实施例,诊断单元1400可以执行确定诊断结果的方法。
首先,在获得多条原始光谱数据(S4000)中,诊断单元1400可以从LIBS单元1200获得多条原始光谱数据中。具体地,第二控制器1410可以获得在LIBS单元1200中获得的与目标样本相关的原始光谱数据和与参考样本相关的原始光谱数据。
此后,在获得多条正规化光谱数据(S4200)中,诊断单元1400可以通过正规化多条原始光谱数据来获得多条正规化光谱数据。具体地,第二控制器1410可以使与目标样本相关的原始光谱数据和与参考样本相关的原始光谱数据正规化,以获得其中使与目标样本相关的原始光谱数据正规化的第一处理后的光谱数据和其中使与参考样本相关的原始光谱数据正规化的第二处理后的光谱数据。
然后,在获得组合光谱数据(S4400)中,诊断单元1400可以通过组合多条正规化的光谱数据来获得组合光谱数据。具体地,第二控制器1410可以通过组合第一处理后的光谱数据和第二处理后的光谱数据来获得组合光谱数据。
然后,在获得输入光谱数据(S4600)中,诊断单元1400可以通过使组合光谱数据标准化来获得输入光谱数据。具体地,第二控制器1410可以使组合光谱数据标准化以获得与人工神经网络的输入标准相对应的输入数据。
此后,在获得诊断结果(S4800)中,诊断单元1400可以使用人工神经网络从输入数据获得诊断结果。具体地,参照存储在第二存储器1450中的人工神经网络,第二控制器1410可以将输入数据输入到人工神经网络的输入层,并且获得根据人工神经网络的计算得出的诊断结果值。
如上所述,已经说明了通过使用人工神经网络组合多条光谱数据从组合光谱数据获得诊断结果的示例。然而,除了以上说明之外,根据本公开的一个实施例,可以通过将多条光谱数据输入到人工神经网络而不组合多条光谱数据来获得诊断结果。
图57是示出根据本公开的另一实施例使用人工神经网络从多条光谱数据来确定诊断结果的图。
参照图57,诊断单元1400可以使用人工神经网络根据多条光谱数据对目标样本执行诊断。
具体地,第二控制器1410可以从LIBS单元1200获得与目标样本相关的原始光谱数据和与参考样本相关的原始光谱数据,并将获得的与目标样本相关的原始光谱数据和获得的与参考样本相关的原始光谱数据作为人工神经网络的输入数据输入到人工神经网络的输入层,从而根据由人工神经网络基于原始光谱数据执行的计算结果获得针对目标样本的诊断结果。
这里,可以相对于从目标样本和参考样本获得的所有光谱数据,使用由标记有诊断结果的参考光谱数据构成的学习集来训练人工神经网络。
这里,原始光谱数据可以包括处理后的光谱数据。即,第二控制器1410可以直接使用与目标样本相关的原始光谱数据和与参考样本相关的原始光谱数据,或者可以对每个原始光谱数据进行预处理过程以相对于多条原始光谱数据生成多条处理后的光谱数据并使用所有处理后的光谱数据。
如上所述,已经说明了从通过使用人工神经网络组合多条光谱数据获得的组合光谱数据中或从多条光谱数据中获得诊断结果。这里,与目标样本相关的原始光谱数据或与参考样本相关的原始光谱数据可以是使用以如上所述的相同或类似方式相对于同一目标样本和/或参考样本多次测量的光谱数据而生成的光谱数据。例如,与目标样本和/或参考样本相关的原始光谱数据可以是相对于目标样本或参考样本多次测量的光谱数据的平均值或总和值。
另外,不需要以相同的方式获得每个光谱数据,并且可以以各种方式获得。即,可以以各种方式获得从目标样本获得的光谱数据和从参考样本获得的光谱数据。例如,从目标样本获得的光谱数据可以是使用多次测量的值生成的光谱数据,并且从参考样本获得的光谱数据可以是仅测量一次的光谱数据。可选择地,可以使用相对于目标样本中的同一点多次测量的光谱数据来生成根据目标样本获得的原始光谱数据,并且从参考样本获得的原始光谱数据可以是相对于参考样本中各种激光投射点测量的多条光谱数据的平均值。同样,可选择地,可以通过组合与相对于目标样本中的各种激光投射点测量的目标样本有关的原始光谱数据和相对于参考样本仅测量一次得到的原始光谱数据来生成组合光谱数据。
在下文中,已经说明了根据本公开的一个实施例使用人工神经网络从光谱数据获得诊断结果的各种示例。然而,由于各种原因(例如,闪烁),即使执行诸如正规化等预处理过程,在光谱数据的每个波长的强度值中也可能包括不能校正的误差的影响。当误差出现在针对具有高特征重要度的每个波长的强度值中时,可能会降低人工神经网络的结果预测的准确性。因此,在无法校正的误差存在于光谱数据中时,不可避免地需要再次获取光谱数据。
图58是示出根据本公开的一个实施例的光谱数据的误差的图。
根据本公开的一个实施例,诊断单元1400可以确定误差是否存在于光谱数据中并且根据确定结果将信号传输到LIBS单元1200。
具体地,第二存储器1450可以包括与光谱数据的误差相关的阈值信息。第二控制器1410可以从LIBS单元1200获得原始光谱数据,并且参照与存储在第二存储器1450中的光谱数据的误差相关的阈值信息确定所获得的原始光谱数据是否包括阈值之上或之下的每个波长的强度值误差,并且根据确定结果将信号传输到LIBS单元1200。
这里,根据确定结果的信号可以传输到输出部分。根据确定结果获得信号的输出部分可以提供关于光谱数据中的误差存在的信息或者提供关于激光重新投射的通知。
参照图58,可以不同地设定作为用于确定误差是否存在于光谱数据中的确定参考的阈值。
例如,阈值可以是基于每个波长的强度值设定的第一阈值。第一阈值可以是针对光谱数据中包括的每个波长的任何强度值的强测量结果的参考,从而不可能通过预处理进行校正。
可选择地,阈值可以是基于特定波长范围内的每个波长的强度值的总和值来设定的第二阈值。第二阈值可以是针对光谱数据中包括的每个波长的任何强度值的弱测量的参考,从而不可能通过预处理进行校正。
同样,可选择地,阈值可以是基于在具有高特征重要度的波长处的强度值来设定的第三阈值。第三阈值可以是针对具有高特征重要度的每个波长的任何强度值的弱测量的参考,从而不可能通过预处理进行校正。
在下文中,将说明根据本公开的一个实施例的LIBS单元1200的机械结构。
图59是示出根据本公开的一个实施例的LIBS单元1200的外部和内部的图。
根据本公开的一个实施例,LIBS单元1200可以包括壳体、活性激光介质1212、闪光灯、触发模块1240和激光二极管。
壳体可以包括用于容纳活性激光介质1212、闪光灯、触发模块1240和激光二极管的内部空间,并且包括面向样本1的开口。此外,引导件1216可以形成在壳体的外部,引导件1216从壳体的一端朝向样本1延伸,并且引导件1216的端部与样本1的周边接触。此外,用于接收由于在样本1中诱导的等离子体消融而引起的光的光接收元件1221可以布置在壳体的外部。
闪光灯可以向活性激光介质1212提供能量以使激光振荡。闪光灯可以在壳体中与活性激光介质1212相邻地布置,以便向活性激光介质1212提供能量。
当LIBS单元1200将激光投射到样本1上时,激光二极管可以发射指示激光投射的位置的指示光束。激光二极管可以布置在壳体的内部或外部,使得由活性激光介质1212发射的激光和从激光二极管发射的指示光束在样本1处相遇。可选择地,激光二极管可以布置在壳体的内部或外部,使得从激光二极管发射的指示光束位于距通过活性激光介质1212的激光投射到样本1的点处的预定范围内。
这里,当活性激光介质1212位于激光二极管和样本1之间时,从激光二极管发射的指示光束可以通过穿过活性激光介质1212投射到样本1。
触发模块1240可以布置在壳体的内部或外部以执行触发操作。
这里,触发模块1240可以布置在壳体的内部或外部。
根据本公开的一个实施例,触发模块1240可以布置在壳体内部并且接收从样本1反射的光以执行触发操作。例如,触发模块1240可以接收由于从激光二极管发射的指示光束投射到样本1而反射的光,以执行触发操作。同样,可选择地,触发模块1240可以接收由于通过活性激光介质1212发射的激光投射到样本1上而反射的光,以执行触发操作。
这里,触发模块1240可以通过镜子间接地接收从样本1反射的光,而不会直接接收光。例如,反射构件可以布置在激光二极管和活性激光介质1212之间,并且触发模块1240可以通过镜子接收从样本1反射的光。在这种情况下,布置在激光二极管和活性激光介质1212之间的反射构件可以允许从激光二极管发射的指示光束的至少一部分穿过并且反射其剩余部分。因此,触发模块1240可以接收从样本1反射的光,而无需布置在从激光二极管发射的指示光束的路径上。
同时,触发模块1240可以布置在壳体内部,位于活性激光介质1212与样本1之间,或者布置在壳体外部。
如上所述,尽管已经说明了LIBS单元1200包括壳体、在壳体中包括的用于将激光投射到样本1的模块、用于将激光引导到样本1的引导件1216以及用于接收由于诱导等离子体引起的光的光接收元件1221布置在壳体的外部,但是LIBS单元1200的结构不限于此,并且位于壳体的内部和外部的部件可以根据需要以与上述说明不同地布置。
根据实施例的方法可以以可通过各种计算机装置执行并被记录在计算机可读介质中的程序命令的形式来实现,并且被记录在计算机可读介质中。该计算机可读介质可以单独地或以其组合包括程序指令、数据文件、数据结构等或其组合。记录在计算机可读介质中的程序指令可以针对该实施例进行专门设计和配置,或者对于计算机软件领域的技术人员而言是有效的对于计算机软件领域的技术人员可能是有效的。计算机可读记录介质的示例包括诸如硬盘、软盘和磁带之类的磁性介质;诸如光盘只读存储器(CD-ROM)和数字通用光盘(DVD)之类的光学记录介质;诸如软式光盘之类的磁光介质;以及专门配置用于存储和执行程序命令的硬件设备,例如只读存储器(ROM)、随机存取存储器(RAM)、闪存等。程序指令的示例包括由编译器生成的机器语言代码以及可以由计算机使用解释程序等执行的高级语言代码。上述硬件设备可以被配置为作为一个或多个软件模块进行操作,以执行实施例的操作,反之亦然。
如上所述,尽管已经参照本公开的特定具体实施例示出和说明了本公开,但是本领域技术人员可以从以上上述说明中得出各种改变和修改。例如,即使当所说明的技术可以以与所说明的上述方法不同的顺序被执行时,和/或所说明的上述***,、结构,、设备,、电路等的元件可以被耦合结合为以其他形式组合,或被其他组件或等效物替换或替代,也可以获得适当的结果。
因此,其他实施方式、其他实施例以及所附权利要求的等同方案均落入所附权利要求的范围内。
实施本发明的方式
如上所述,在用于实施上述发明的优选方式中,已经描述了相关事项。
Claims (20)
1.一种通过使用LIBS(激光诱导击穿光谱法)诊断患者的身体组织疾病的方法,包括:
将脉冲激光投射到疑似样本上;
接收由所述脉冲激光在所述疑似样本上诱导的等离子体消融生成的光;
获得与从所述疑似样本接收的光相关的第一光谱数据;
投射由所述脉冲激光在未患病的样本上诱导的等离子体消融生成的光;
获得与从所述未患病的样本接收的光相关的第二光谱数据;以及
基于所述第一光谱数据和所述第二光谱数据的比较数据,通过使用通过学习集学习的人工神经网络来确定所述疑似样本是否患病,其中,所述学习集包括:标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据,以及标记有指示患病状态的第二类别值的与在未患病组织上和患病的组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
2.根据权利要求1所述的方法,其中,所述比较数据是两个光谱数据的差。
3.根据权利要求1所述的方法,其中,所述比较数据是两个光谱数据的比值。
4.根据权利要求1所述的方法,其中,
所述身体组织包括皮肤,并且
其中,所述疾病包括皮肤癌。
5.根据权利要求1所述的方法,其中所述疑似样本和所述正常样本具有大体上相同的皮肤特性。
6.根据权利要求1所述的方法,其中,所述疑似样本与所述正常样本之间的距离小于预定距离。
7.根据权利要求1所述的方法,还包括:使所述第一光谱数据和所述第二光谱数据正规化。
8.根据权利要求7所述的方法,其中,所述正规化包括:基于所述第一光谱数据的能量来处理所述第一光谱数据;以及基于所述第二光谱数据的能量来处理所述第二光谱数据。
9.根据权利要求7所述的方法,其中,所述正规化包括:调节所述第一光谱数据和所述第二光谱数据中的至少一者的强度,以使所述第一光谱数据和所述第二光谱数据具有相等的能量。
10.根据权利要求1所述的方法,还包括:
当所述第一光谱数据的能量小于第一阈值时,输出指示将所述脉冲激光重新投射到所述疑似样本的消息;和
当所述第二光谱数据的能量小于所述第一阈值时,输出指示将所述脉冲激光重新投射到所述正常样本的消息。
11.根据权利要求1所述的方法,还包括:
当所述第一光谱数据的最大峰值高于所述第一阈值时,输出指示将所述脉冲激光投射到所述疑似样本的消息;以及
当所述第二光谱数据的最大峰值高于所述第一阈值时,输出指示将所述脉冲激光投射到所述正常样本的消息。
12.根据权利要求1所述的方法,还包括:使所述第一光谱数据和所述第二光谱数据标准化。
13.根据权利要求12所述的方法,其中,所述标准化包括:基于与多个测量的波长对应的所述第一光谱数据的多个强度值来生成第一光谱曲线;通过从所述第一光谱曲线中提取与多个预定标准波长相对应的多个强度值来处理所述第一光谱数据;基于与多个测量波长相对应的所述第二光谱数据的多个强度值来生成第二光谱曲线;以及通过从所述第二光谱曲线提取与多个预定标准波长相对应的多个强度值来处理所述第二光谱数据。
14.根据权利要求13所述的方法,其中,处理后的所述第一光谱数据和所述第二光谱数据包括与多个波长相对应的相同数量的强度值,并且处理后的所述第一光谱数据和所述第二光谱数据分别包括比处理之前的所述第一光谱数据和所述第二光谱数据的与多个波长相对应的强度值的数量更多数量的与多个波长相对应的强度值。
15.根据权利要求13所述的方法,其中,
所述人工神经网络的输入层的输入节点的数量等于所述预定标准波长的数量;并且
与每个预定标准波长相对应的每个强度值分别输入到每个所述输入节点。
16.一种通过使用LIBS(激光诱导击穿光谱法)诊断患者的身体组织的疾病的方法,包括:
获得与从通过投射脉冲激光而诱导等离子体消融的疑似样本接收的光有关的第一光谱数据;
获得与从通过投射所述脉冲激光而诱导等离子体消融的未患病的样本收集的光有关的第二光谱数据;和
基于所述第一光谱数据和所述第二光谱数据的比较数据,通过使用通过学习集学习的人工神经网络来确定所述疑似样本是否患病,其中,所述学习集包括:标记有指示未患病状态的第一类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据,以及标记有指示患病状态的第二类别值的与在未患病组织和患病的组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
17.一种诊断装置,包括:
激光投射模块,其将脉冲激光投射到样本上;
光接收模块,其接收由所述脉冲激光在所述样本上诱导的等离子体消融而生成的光,其中,由等离子体消融生成的光包括具有连续光谱特性的等离子体发射光和具有非连续的光谱特性的特定元素发射光;
光谱测量模块,其从所述接收到的光中获取光谱数据;以及
控制器,所述控制器
获得与从所述激光投射模块将所述脉冲激光投射到的目标样本接收的光有关的第一光谱数据以及与从所述激光投射模块将所述脉冲激光投射到的未患病的参考样本接收的光有关的第二光谱数据;以及
基于所述第一光谱数据和所述第二光谱数据的比较数据,通过使用通过第一学习集和第二学习集学习的人工神经网络来确定所述目标样本是否患病,其中,所述第一学习集包括标记有指示未患病状态的类别值的与在两个不同的未患病组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据,所述第二学习集包括标记有指示患病状态的类别值的与在未患病组织上和患病的组织上分别诱导的等离子体消融生成的光有关的两个光谱数据的比较数据。
18.根据权利要求17所述的诊断装置,
其中,所述激光投射模块照射具有纳秒、微微秒或飞秒脉冲持续时间的脉冲激光。
19.根据权利要求17所述的诊断装置,
其中,所述光接收模块从第一时间点到第二时间点接收光,其中,所述第一时间点是所述脉冲激光投射后的100ns内的时间点,并且其中,所述第二时间点是所述脉冲激光投射后的1us之后的时间点。
20.根据权利要求17所述的诊断装置,
其中,所述光接收模块测量与波长范围有关的光谱,其中,所述波长范围在小于300nm的第一波长和大于700nm的第二波长之间。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962822634P | 2019-03-22 | 2019-03-22 | |
US62/822,634 | 2019-03-22 | ||
PCT/KR2019/010811 WO2020197005A1 (ko) | 2019-03-22 | 2019-08-23 | 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112292065A true CN112292065A (zh) | 2021-01-29 |
Family
ID=71400764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980038819.8A Pending CN112292065A (zh) | 2019-03-22 | 2019-08-23 | 使用激光诱导击穿光谱法的诊断方法及执行该方法的诊断装置 |
Country Status (7)
Country | Link |
---|---|
US (4) | US11079279B2 (zh) |
EP (1) | EP3942996A4 (zh) |
KR (6) | KR102127597B1 (zh) |
CN (1) | CN112292065A (zh) |
AU (2) | AU2019437773B2 (zh) |
CA (1) | CA3102062A1 (zh) |
WO (1) | WO2020197005A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111735807A (zh) * | 2020-07-14 | 2020-10-02 | 征图新视(江苏)科技股份有限公司 | 基于libs对大叶农作物部位以及油份的在线检测方法 |
US20220018784A1 (en) * | 2020-07-16 | 2022-01-20 | Rosalba Guadiuso | Diagnosis of disease using laser-induced breakdown spectroscopy and machine learning |
CN112557375A (zh) * | 2020-11-12 | 2021-03-26 | 华南师范大学 | 一种倒置式的激光诱导击穿光谱装置 |
CN112950572B (zh) * | 2021-02-26 | 2024-04-05 | 西安交通大学 | 一种数据处理及迭代矫正方法、***、介质及设备 |
CN113077078B (zh) * | 2021-03-19 | 2023-10-31 | 中国科学院物理研究所 | 基于深度学习的超短激光脉冲相位预测方法及其*** |
CN113533305A (zh) * | 2021-07-06 | 2021-10-22 | 长江大学 | 一种用于激光治疗血管瘤的效果评价方法及装置 |
WO2023058671A1 (ja) * | 2021-10-08 | 2023-04-13 | ソニーセミコンダクタソリューションズ株式会社 | 画像センサ、データ処理装置、および画像センサシステム |
AU2021269451B2 (en) * | 2021-11-11 | 2024-02-22 | Speclipse Inc | Pulsed laser irradiation device |
CN114199856B (zh) * | 2021-12-16 | 2023-06-23 | 福建师范大学 | 一种激光诱导击穿光谱元素含量比值快速定标方法 |
KR20240065832A (ko) * | 2022-11-07 | 2024-05-14 | 스페클립스 주식회사 | 프로브에 카메라가 탑재된 레이저 진단 기기 |
CN116051429B (zh) * | 2023-03-31 | 2023-07-18 | 深圳时识科技有限公司 | 数据增强方法、脉冲神经网络训练方法、存储介质和芯片 |
CN117222090B (zh) * | 2023-07-18 | 2024-07-19 | 中国人民解放军国防科技大学 | 可调节高空间分辨率的平面等离子体速度测量***及方法 |
Family Cites Families (107)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5915543B2 (ja) * | 1978-05-31 | 1984-04-10 | ヤマハ株式会社 | Fm受信機 |
JP2763823B2 (ja) | 1990-09-25 | 1998-06-11 | 花王株式会社 | 角層の厚さ測定方法及びその測定装置 |
US5280788A (en) | 1991-02-26 | 1994-01-25 | Massachusetts Institute Of Technology | Devices and methods for optical diagnosis of tissue |
JP2573774B2 (ja) | 1992-06-18 | 1997-01-22 | 浜松ホトニクス株式会社 | 医療装置用レーザ発生装置 |
US20080154257A1 (en) | 2006-12-22 | 2008-06-26 | Shiva Sharareh | Real-time optoacoustic monitoring with electophysiologic catheters |
US5608520A (en) * | 1994-07-11 | 1997-03-04 | The United States Of America As Represented By He Department Of Energy | Plasma emission spectroscopy method of tumor therapy |
US5720894A (en) | 1996-01-11 | 1998-02-24 | The Regents Of The University Of California | Ultrashort pulse high repetition rate laser system for biological tissue processing |
US5833612A (en) * | 1996-02-09 | 1998-11-10 | Esc Medical Systems, Ltd. | Method and apparatus for diagnosis skin lesions |
US6135965A (en) | 1996-12-02 | 2000-10-24 | Board Of Regents, The University Of Texas System | Spectroscopic detection of cervical pre-cancer using radial basis function networks |
US6392683B1 (en) | 1997-09-26 | 2002-05-21 | Sumitomo Heavy Industries, Ltd. | Method for making marks in a transparent material by using a laser |
JPH11230823A (ja) | 1998-02-18 | 1999-08-27 | Fuji Photo Film Co Ltd | 測光装置 |
JP3594794B2 (ja) * | 1998-03-24 | 2004-12-02 | 独立行政法人 科学技術振興機構 | ナノ秒時間ゲート分光診断装置 |
US6008896A (en) * | 1998-07-01 | 1999-12-28 | National Research Council Of Canada | Method and apparatus for spectroscopic analysis of heterogeneous materials |
CA2343401C (en) | 1998-09-11 | 2009-01-27 | Spectrx, Inc. | Multi-modal optical tissue diagnostic system |
FR2792650B1 (fr) | 1999-04-20 | 2003-02-28 | Oreal | Equivalent de peau agee, son procede de preparation et son utilisation |
US6205354B1 (en) | 1999-06-18 | 2001-03-20 | University Of Utah | Method and apparatus for noninvasive measurement of carotenoids and related chemical substances in biological tissue |
GR1004180B (el) | 2000-03-28 | 2003-03-11 | ����������� ����� ��������� (����) | Μεθοδος και συστημα χαρακτηρισμου και χαρτογραφησης αλλοιωσεων των ιστων |
KR100398362B1 (ko) | 2000-09-01 | 2003-09-19 | 스펙트론 테크 주식회사 | 근적외선 분광 분석법에 의한 피부 수분 측정방법 및 장치 |
JP2005504561A (ja) | 2001-03-01 | 2005-02-17 | トラスティーズ・オブ・ダートマウス・カレッジ | 蛍光寿命分光計(fls)および病変組織の検出方法 |
US20030109787A1 (en) | 2001-12-12 | 2003-06-12 | Michael Black | Multiple laser diagnostics |
US7647092B2 (en) | 2002-04-05 | 2010-01-12 | Massachusetts Institute Of Technology | Systems and methods for spectroscopy of biological tissue |
AU2003230799A1 (en) * | 2002-04-05 | 2003-10-27 | Massachusetts Institute Of Technology | Systems and methods for spectroscopy of biological tissue |
US7322972B2 (en) | 2002-04-10 | 2008-01-29 | The Regents Of The University Of California | In vivo port wine stain, burn and melanin depth determination using a photoacoustic probe |
US6987564B2 (en) * | 2002-04-11 | 2006-01-17 | University Of Florida | Automatic correction for continuum background in laser induced breakdown and Raman spectroscopy |
US7092087B2 (en) | 2003-09-16 | 2006-08-15 | Mississippi State University | Laser-induced breakdown spectroscopy for specimen analysis |
WO2005032361A2 (en) | 2003-10-03 | 2005-04-14 | Academisch Medisch Centrum | System and method for imaging the reflectance of a substrate |
US8326404B2 (en) * | 2003-11-28 | 2012-12-04 | British Columbia Cancer Agency Branch | Multimodal detection of tissue abnormalities based on raman and background fluorescence spectroscopy |
JP4437202B2 (ja) | 2004-01-09 | 2010-03-24 | 学校法人慶應義塾 | 色素沈着部位の遠隔診療システム |
KR100551479B1 (ko) | 2004-04-22 | 2006-02-13 | 임석형 | 레이저 치료기의 출력제어장치 |
JP5461753B2 (ja) | 2004-07-30 | 2014-04-02 | オリンパス株式会社 | 内視鏡装置 |
US20060095096A1 (en) | 2004-09-09 | 2006-05-04 | Debenedictis Leonard C | Interchangeable tips for medical laser treatments and methods for using same |
GB0426993D0 (en) | 2004-12-09 | 2005-01-12 | Council Cent Lab Res Councils | Apparatus for depth-selective raman spectroscopy |
US7962198B2 (en) | 2005-04-27 | 2011-06-14 | The Trustees Of Dartmouth College | System and method for spectral-encoded high-rate hemodynamic tomography |
AU2006245251B2 (en) | 2005-05-12 | 2009-10-08 | Olympus Medical Systems Corp. | Biometric instrument |
DE102005028268B4 (de) | 2005-06-14 | 2013-12-12 | Forschungsverbund Berlin E.V. | Verfahren und Vorrichtung zur Erzeugung und Detektion eines Raman-Spektrums |
US20070005393A1 (en) | 2005-06-29 | 2007-01-04 | Johnson & Johnson Consumer Companies, Inc. | Apparatus and method for conducting large scale clinical trials |
CN101218498A (zh) | 2005-07-06 | 2008-07-09 | 皇家飞利浦电子股份有限公司 | 用于检测患者或动物体内分析物的方法 |
US8687177B2 (en) * | 2007-01-23 | 2014-04-01 | Chemimage Corporation | System and method for combined Raman and LIBS detection |
US20120302892A1 (en) | 2005-07-25 | 2012-11-29 | Niyom Lue | Portable optical fiber probe-based spectroscopic scanner for rapid cancer diagnosis |
US8320650B2 (en) | 2005-11-30 | 2012-11-27 | Lawrence Livermore National Security, Llc | In vivo spectral micro-imaging of tissue |
US7440097B2 (en) * | 2006-06-27 | 2008-10-21 | General Electric Company | Laser plasma spectroscopy apparatus and method for in situ depth profiling |
US20070296967A1 (en) * | 2006-06-27 | 2007-12-27 | Bhupendra Kumra Gupta | Analysis of component for presence, composition and/or thickness of coating |
US7903338B1 (en) | 2006-07-08 | 2011-03-08 | Cirrex Systems Llc | Method and system for managing light at an optical interface |
ES2444373T3 (es) | 2006-11-10 | 2014-02-24 | Lars Michael Larsen | Aparato para fotomanipulación no perturbadora o mínimamente perturbadora de un ojo |
KR100853655B1 (ko) | 2006-12-15 | 2008-08-25 | 한국전기연구원 | 피부 질환의 광학 진단 및 치료를 위한 장치, 광원 시스템 및 장치의 이용방법 |
US20100185064A1 (en) | 2007-01-05 | 2010-07-22 | Jadran Bandic | Skin analysis methods |
SG177951A1 (en) | 2007-01-05 | 2012-02-28 | Myskin Inc | System, device and method for dermal imaging |
KR20090059667A (ko) | 2007-12-07 | 2009-06-11 | (주) 디바이스이엔지 | 영상인식 자동 레이저치료기 및 그 제어방법 |
US8617148B2 (en) | 2007-12-28 | 2013-12-31 | Koninklijke Philips N.V. | Tissue ablation device with photoacoustic lesion formation feedback |
WO2009103154A1 (en) * | 2008-02-22 | 2009-08-27 | Photon Etc | Apparatus and method for laser induced breakdown spectroscopy using a multiband sensor |
KR20090104224A (ko) | 2008-03-31 | 2009-10-06 | 한국전기연구원 | 다파장 형광분광 및 간섭영상을 융합한 다중모드 조기 암진단 시스템 및 그 방법 |
US10393587B1 (en) * | 2008-05-05 | 2019-08-27 | Applied Spectra, Inc. | Methods for laser ablation analysis |
CN102015020A (zh) | 2008-05-09 | 2011-04-13 | 休·贝克曼 | 用于诊断和治疗异常组织的医疗设备及其使用方法 |
JP4575474B2 (ja) | 2008-06-11 | 2010-11-04 | 国立大学法人東京工業大学 | 生体組織識別装置および方法 |
US9117133B2 (en) | 2008-06-18 | 2015-08-25 | Spectral Image, Inc. | Systems and methods for hyperspectral imaging |
JP2011528790A (ja) | 2008-07-23 | 2011-11-24 | ピー デバイシズ インコーポレーテッド | プラズマを利用する携帯型診断装置及び診断方法 |
US20120057145A1 (en) | 2008-08-18 | 2012-03-08 | Tunnell James W | Systems and methods for diagnosis of epithelial lesions |
KR101028061B1 (ko) | 2008-11-19 | 2011-04-08 | 한국표준과학연구원 | 결맞은 광섬유 테이퍼를 이용한 간섭무늬 안정화된 간섭계 |
BRPI0924456A2 (pt) | 2009-03-12 | 2016-02-16 | Rsp Systems As | sonda óptica para medir sinais de luz, e, método para coletar sinais ópticos de uma amostra. |
KR20100132841A (ko) | 2009-06-10 | 2010-12-20 | 한국생산기술연구원 | 비접촉식 면적측정 장치 |
EP2443426A1 (en) | 2009-06-17 | 2012-04-25 | Battelle Memorial Institute | Fiber bundle for high efficiency, spatially resolved coupling, and spectrometer using the same |
WO2011006156A2 (en) * | 2009-07-10 | 2011-01-13 | University Of Florida Research Foundation, Inc. | Method and apparatus to laser ablation-laser induced breakdown spectroscopy |
CA2766219A1 (en) | 2009-07-24 | 2011-01-27 | Galderma Research & Development | Infrared imaging of cutaneous melanoma |
KR101117195B1 (ko) | 2009-07-27 | 2012-03-07 | 한국전기연구원 | 피부 노화도 측정장치 및 측정방법 |
US20110218428A1 (en) | 2010-03-04 | 2011-09-08 | Medical Scan Technologies, Inc. | System and Method for Three Dimensional Medical Imaging with Structured Light |
CN101828902B (zh) | 2010-04-01 | 2011-09-21 | 江西科技师范学院 | 一种用于乳腺或颅脑三维医学诊断的光声传感器 |
JP5903893B2 (ja) | 2010-06-25 | 2016-04-13 | コニカミノルタ株式会社 | プローブ |
US9226703B2 (en) | 2010-07-16 | 2016-01-05 | Shimadzu Corporation | Holder and light measurement device employing same |
KR101168044B1 (ko) | 2010-07-30 | 2012-07-27 | 주식회사 루트로닉 | 펜 형태의 광 치료기 |
US8310671B1 (en) * | 2010-09-29 | 2012-11-13 | The United States Of America As Represented By The Administrator Of National Aeronautics And Space Administration | Interference-free optical detection for Raman spectroscopy |
KR20120066286A (ko) | 2010-12-14 | 2012-06-22 | 한국전자통신연구원 | 광선치료 장치 및 방법 |
JP5915543B2 (ja) | 2011-01-14 | 2016-05-11 | コニカミノルタ株式会社 | 診断用包装物 |
KR20120111900A (ko) | 2011-04-01 | 2012-10-11 | 한국전자통신연구원 | 광원 세기 증강 장치 |
US8617081B2 (en) | 2011-09-28 | 2013-12-31 | Xerox Corporation | Estimating cardiac pulse recovery from multi-channel source data via constrained source separation |
KR20130075571A (ko) * | 2011-12-27 | 2013-07-05 | 주식회사 포스코 | 레이저를 이용한 슬래브 개재물 측정 장치 |
US20150044098A1 (en) | 2012-01-30 | 2015-02-12 | Scanadu Incorporated | Hyperspectral imaging systems, units, and methods |
JP6038957B2 (ja) | 2012-02-14 | 2016-12-07 | セント・ジュード・メディカル・エイトリアル・フィブリレーション・ディヴィジョン・インコーポレーテッド | 光音響法を用いた心臓組織のアブレーション治療の効果を評価するためのシステム |
US20130303921A1 (en) | 2012-05-11 | 2013-11-14 | Hong Kong Applied Science and Technology Research Institute Company Limited | System and Method for Measurement of Physiological Data with Light Modulation |
GB2513343A (en) | 2013-04-23 | 2014-10-29 | Univ Singapore | Methods related to instrument-independent measurements for quantitative analysis of fiber-optic Raman spectroscopy |
US20140058244A1 (en) | 2012-08-21 | 2014-02-27 | Regents Of The University Of Minnesota | Photoacoustic monitoring |
KR102028199B1 (ko) | 2012-08-28 | 2019-10-04 | 한국전자통신연구원 | 의료 진단장치 및 그 조작방법 |
WO2014124531A1 (en) | 2013-02-14 | 2014-08-21 | British Columbia Cancer Agency Branch | Integrated spectral probe for raman, reflectance and fluorescence spectral measurements |
GB201302886D0 (en) | 2013-02-19 | 2013-04-03 | Univ Singapore | Diagnostic instrument and method |
US9786050B2 (en) | 2013-03-15 | 2017-10-10 | The Board Of Trustees Of The University Of Illinois | Stain-free histopathology by chemical imaging |
US9380981B2 (en) | 2013-03-15 | 2016-07-05 | Covidien Lp | Photoacoustic monitoring technique with noise reduction |
KR101505083B1 (ko) | 2013-04-11 | 2015-03-25 | 한국전기연구원 | 줄 레이저 빔이 조사되는 의료용 핸드피스 |
US10182757B2 (en) | 2013-07-22 | 2019-01-22 | The Rockefeller University | System and method for optical detection of skin disease |
KR101480337B1 (ko) | 2013-08-22 | 2015-01-08 | 서강대학교산학협력단 | 트랜스듀서, 융합 치료 장치 및 레이저 광의 침투 깊이를 높이는 방법 |
KR20150061218A (ko) | 2013-11-27 | 2015-06-04 | 삼성전자주식회사 | 광용적 맥파 측정 장치 및 이를 이용한 광용적 맥파 측정 방법 |
KR101538231B1 (ko) | 2013-11-28 | 2015-07-20 | 고려대학교 산학협력단 | 피부 나이 예측 방법 및 장치 |
US20150157253A1 (en) | 2013-12-06 | 2015-06-11 | National Taiwan University | System and method for human age estimation based on in vivo skin imaging |
KR101506978B1 (ko) | 2014-03-19 | 2015-04-07 | 한철 | 피부 나이 측정장치 |
KR20160007170A (ko) | 2014-07-11 | 2016-01-20 | 한국기계연구원 | 레이저 유도 플라즈마 분광 내시경 장치 및 레이저 유도 플라즈마 분광 장치 |
NZ767766A (en) * | 2014-09-09 | 2023-03-31 | Lumithera Inc | Multi-wavelength phototherapy devices, systems, and methods for the non-invasive treatment of damaged or diseased tissue |
WO2016054079A1 (en) | 2014-09-29 | 2016-04-07 | Zyomed Corp. | Systems and methods for blood glucose and other analyte detection and measurement using collision computing |
US20160169805A1 (en) * | 2014-12-16 | 2016-06-16 | Thermo Scientific Portable Analytical Instruments Inc. | Combined raman spectroscopy and laser-induced breakdown spectroscopy |
US20160235372A1 (en) * | 2015-02-17 | 2016-08-18 | Telebyte, Inc. | Portable cancer diagnostic device and system |
US20170175169A1 (en) | 2015-12-18 | 2017-06-22 | Min Lee | Clinical decision support system utilizing deep neural networks for diagnosis of chronic diseases |
KR20170106776A (ko) * | 2016-03-14 | 2017-09-22 | 스페클립스 주식회사 | 레이저 유도 방전 스펙트로스코피 장치 및 고감도 핸드피스 |
KR101778047B1 (ko) * | 2016-04-04 | 2017-09-13 | 스페클립스 주식회사 | 질병 진단과 피부 나이 측정이 가능한 시스템과 이에 사용되는 핸드피스 |
KR101871313B1 (ko) * | 2016-04-06 | 2018-06-26 | 스페클립스 주식회사 | 펄스 레이저 기반의 질병 진단 및 피부 나이 측정이 가능한 의료 및 미용 시스템과 이에 사용되는 핸드피스 |
KR102610590B1 (ko) | 2016-07-25 | 2023-12-07 | 삼성전자주식회사 | 생체 내 물질 추정 장치 및 방법, 단위 스펙트럼 획득 장치 및 웨어러블 기기 |
US20190261913A1 (en) * | 2016-10-18 | 2019-08-29 | The Johns Hopkins University | Hyperspectral imaging for passive detection of colorectal cancers |
US10506985B2 (en) * | 2017-06-15 | 2019-12-17 | The University Of Massachusetts | Methods and systems for diagnosing or monitoring progress of a pathology using laser induced breakdown spectroscopy and biological fluids |
US10677741B2 (en) * | 2017-07-31 | 2020-06-09 | United States Of America As Represented By The Administrator Of Nasa | Laser surface treatment and spectroscopic analysis system |
US20190246971A1 (en) | 2018-02-15 | 2019-08-15 | Speclipse, Inc. | Non-discrete spectral analysis algorithms and methods for in vivo detection of tissue malignancy based on laser spectroscopy |
US11672425B2 (en) * | 2018-02-15 | 2023-06-13 | Speclipse, Inc. | Stand-alone apparatus and methods for in vivo detection of tissue malignancy using laser spectroscopy |
-
2019
- 2019-08-23 AU AU2019437773A patent/AU2019437773B2/en active Active
- 2019-08-23 WO PCT/KR2019/010811 patent/WO2020197005A1/ko active Application Filing
- 2019-08-23 KR KR1020190104041A patent/KR102127597B1/ko active IP Right Grant
- 2019-08-23 KR KR1020190104040A patent/KR102279688B1/ko active IP Right Grant
- 2019-08-23 KR KR1020190104042A patent/KR102370530B1/ko active IP Right Grant
- 2019-08-23 EP EP19921463.6A patent/EP3942996A4/en active Pending
- 2019-08-23 CA CA3102062A patent/CA3102062A1/en active Pending
- 2019-08-23 CN CN201980038819.8A patent/CN112292065A/zh active Pending
- 2019-08-23 KR KR1020190104043A patent/KR102375183B1/ko active IP Right Grant
- 2019-08-23 KR KR1020190104039A patent/KR102375159B1/ko active IP Right Grant
-
2020
- 2020-04-30 US US16/863,140 patent/US11079279B2/en active Active
- 2020-10-29 US US17/084,334 patent/US11326949B2/en active Active
- 2020-12-28 US US17/135,675 patent/US11422033B2/en active Active
-
2021
- 2021-12-09 AU AU2021282521A patent/AU2021282521B2/en active Active
-
2022
- 2022-03-10 KR KR1020220030303A patent/KR102630877B1/ko active IP Right Grant
- 2022-08-09 US US17/883,724 patent/US11892353B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
KR102630877B1 (ko) | 2024-01-30 |
KR102127597B1 (ko) | 2020-06-29 |
WO2020197005A1 (ko) | 2020-10-01 |
US20200300702A1 (en) | 2020-09-24 |
KR102375183B1 (ko) | 2022-03-16 |
KR102279688B1 (ko) | 2021-07-20 |
EP3942996A4 (en) | 2022-12-28 |
AU2021282521B2 (en) | 2023-03-23 |
US20220381614A1 (en) | 2022-12-01 |
KR20200112602A (ko) | 2020-10-05 |
KR20220037428A (ko) | 2022-03-24 |
EP3942996A1 (en) | 2022-01-26 |
US11326949B2 (en) | 2022-05-10 |
AU2021282521A1 (en) | 2022-01-06 |
US11079279B2 (en) | 2021-08-03 |
AU2019437773A1 (en) | 2020-12-03 |
US20210094667A1 (en) | 2021-04-01 |
KR102375159B1 (ko) | 2022-03-16 |
KR20200112600A (ko) | 2020-10-05 |
AU2019437773B2 (en) | 2021-10-28 |
KR20200112601A (ko) | 2020-10-05 |
KR20200112603A (ko) | 2020-10-05 |
US20210140825A1 (en) | 2021-05-13 |
CA3102062A1 (en) | 2020-10-01 |
US11892353B2 (en) | 2024-02-06 |
US11422033B2 (en) | 2022-08-23 |
KR102370530B1 (ko) | 2022-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102127597B1 (ko) | 레이저 유도 붕괴 스펙트럼 분석을 이용하는 진단 방법 및 이를 수행하는 진단 장치 | |
US11672425B2 (en) | Stand-alone apparatus and methods for in vivo detection of tissue malignancy using laser spectroscopy | |
JP2015172570A (ja) | 測定装置、および測定方法 | |
WO2016080442A1 (ja) | 品質評価方法及び品質評価装置 | |
JP2018004594A (ja) | 品質評価方法及び品質評価装置 | |
JP6786338B2 (ja) | 血液測定装置 | |
JP2019207239A (ja) | 品質評価方法及び品質評価装置 | |
CN115120184A (zh) | 一种信号收集组件 | |
CA2962092C (en) | System for the transcutaneous determination of the blood alcohol concentration | |
KR102167946B1 (ko) | 인-비보 병변 조직 검출을 위한 레이저 분광 기반의 독립 장치 및 방법 | |
KR102258181B1 (ko) | 레이저 분광 기반의 인-비보 병변 조직 검출을 위한 넌-디스크리트 스펙트럼 분석 알고리즘 및 이를 위한 방법 | |
US20240148436A1 (en) | Diagnostic device with probe including camera | |
JP2024103571A (ja) | 体液に含まれる成分の濃度を測定するシステムおよび方法 |
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 |