基于尿液样本高光谱图像的分类方法及系统

本发明涉及图像检测，具体为基于尿液样本高光谱图像的分类方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在临床检测中，经过了肾移植手术后的患者会通过肾穿刺进行病理检测，来确定肾移植手术后的免疫排异反应。而病理检测是有创检测，通过获取细胞和组织的形态结构变化以确定病变性质。由于病理穿刺在获取组织时会对处于恢复期的患者存在一定伤害。一些现有技术会利用尿液的图像经过图像处理算法来确定一些特异性蛋白等物质的信息，从而实现免疫排异反应的检测，这种方式虽然可以避免传统病理检测过程中的有创取样过程，但图像检测的效果并不理想。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供基于尿液样本高光谱图像的分类方法及系统，利用高光谱图像提取患者的尿液中，由游离dna或一些特异性蛋白等物质引起的反射谱形状和峰值变化的信息，利用这部分图像信息基于神经网络和预先设定的阈值，可以在不需要做病理穿刺的情况下，通过图像检测的方式来分辨出免疫排异反应的类型。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供基于尿液样本高光谱图像的分类方法，包括以下步骤：

4、获取尿液样本对应的高光谱图像并预处理；

5、预处理后的高光谱图像按像素点展开并降维处理，提取出空间灰度矩阵、像素点之间的空间位置以及空间距离信息作为特征；

6、根据提取出的特征与预先设定的类型对照表，基于设定的阈值，确定图像所对应尿液样本的分类结果。

7、进一步的，预处理包括反射率校准、去噪、滤波和翻转中的至少一种

8、进一步的，预处理后的高光谱图像按像素点展开，具体为：将图像中每一个像素点包含的波段，按照像素点的排列顺序展开。

9、进一步的，提取出空间灰度矩阵、像素点之间的空间位置以及空间距离信息作为特征，具体为：基于带有自注意力机制的神经网络提取所需的特征。

10、进一步的，带有自注意力机制的神经网络包括，在res-net神经网络的最后一个残差块的cov5中，将其中的一个卷积块替换成多头注意力结构。

11、进一步的，空间灰度矩阵为根据光谱反射程度的高低，经转化形成的空间灰度矩阵。

12、进一步的，根据提取出的特征与预先设定的类型对照表，基于设定的阈值，确定图像所对应尿液样本的分类结果，具体为：

13、选用已知排异反应类型的血液样本并获取对应的高光谱图像，提取高光谱图像中的特征；

14、根据提取出的特征与血液样本的类型构建类型对照表；

15、利用神经网络训练上述过程，神经网络的输入为图像的空间灰度矩阵，输出为图像处于某一类型的占比，当占比处于设定阈值的范围内时，确定该图像对应血液样本的排异反应类型。

16、本发明的第二个方面提供实现上述方法所需的系统，包括：

17、图像采集模块，被配置为：获取尿液样本对应的高光谱图像并预处理；

18、特征提取模块，被配置为：预处理后的高光谱图像按像素点展开并降维处理，提取出空间灰度矩阵、像素点之间的空间位置以及空间距离信息作为特征；

19、分类结果模块，被配置为：根据提取出的特征与预先设定的类型对照表，基于设定的阈值，确定图像所对应尿液样本的分类结果。

20、本发明的第三个方面提供一种计算机可读存储介质。

21、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于尿液样本高光谱图像的分类方法中的步骤。

22、本发明的第四个方面提供一种计算机设备。

23、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于尿液样本高光谱图像的分类方法中的步骤。

24、与现有技术相比，以上一个或多个技术方案存在以下有益效果：

25、1、利用高光谱图像提取患者的尿液中，由游离dna或一些特异性蛋白等物质引起的反射谱形状和峰值变化的信息，并以空间灰度矩阵、像素点之间的空间位置以及空间距离信息形成的特征来表达，从而反映图像中不同物质在不同光谱波长的反射强度，配合训练时构建的类型对照表和预先设定的阈值，能够在不需要做病理穿刺的情况下，通过图像检测的方式来分辨出免疫排异反应的类型，并且得到的分类结果满足需求。

26、2、高光谱图像是带有光谱信息的三维图像，按像素点展开的过程能够确保光谱信息能够被保留完整，从而确保分类的精度。

27、3、神经网络以res-net残差神经网络加入迁移学习机制来构建，网络训练过程中的难度较小，减少网络学习归纳过程中对硬件的压力，节省时间。

28、4、不采用传统算法中提取的灰度值作为特征，传统算法中的灰度值由rgb图像转变产生，而本发明由光谱反射程度的高低变化转化成的空间灰度矩阵作为特征，使得能够获取图像中不同物质在不同光谱波长的反射强度，进而反映出尿液中的物质差异。

技术特征：

1.基于尿液样本高光谱图像的分类方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，所述预处理包括反射率校准、去噪、滤波和翻转中的至少一种。

3.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，预处理后的高光谱图像按像素点展开，具体为：将图像中每一个像素点包含的波段，按照像素点的排列顺序展开。

4.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，提取出空间灰度矩阵、像素点之间的空间位置以及空间距离信息作为特征，具体为：基于带有自注意力机制的神经网络提取所需的特征。

5.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，带有自注意力机制的神经网络包括，在res-net神经网络的最后一个残差块的cov5中，将其中的一个卷积块替换成多头注意力结构。

6.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，空间灰度矩阵为根据光谱反射程度的高低，经转化形成的空间灰度矩阵。

7.如权利要求1所述的基于尿液样本高光谱图像的分类方法，其特征在于，根据提取出的特征与预先设定的类型对照表，基于设定的阈值，确定图像所对应尿液样本的分类结果，具体为：

8.基于尿液样本高光谱图像的分类系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述权利要求1-7任一项所述的基于尿液样本高光谱图像的分类方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于尿液样本高光谱图像的分类方法中的步骤。

技术总结
本发明涉及基于尿液样本高光谱图像的分类方法及系统，包括以下步骤：获取尿液样本对应的高光谱图像并预处理；预处理后的高光谱图像按像素点展开并降维处理，提取出空间灰度矩阵、像素点之间的空间位置以及空间距离信息作为特征；根据提取出的特征与预先设定的类型对照表，基于设定的阈值，确定图像所对应尿液样本的分类结果。利用高光谱图像提取患者的尿液中，由游离DNA或一些特异性蛋白等物质引起的反射谱形状和峰值变化的信息，利用这部分图像信息基于神经网络和预先设定的阈值，可以在不需要做病理穿刺的情况下，通过图像检测的方式来分辨出免疫排异反应的类型。

技术研发人员：王建宁,杨哲,司晓青,徐志鹏,李现铎,王云超,陈艺
受保护的技术使用者：山东第一医科大学第一附属医院（山东省千佛山医院）
技术研发日：
技术公布日：2024/2/19