[发明专利]一种基于空谱融合深度学习的医学高光谱图像分类方法

说明书

一种基于空谱融合深度学习的医学高光谱图像分类方法，包括数据预处理；根据输入的数据集，计算得到对应相量(phasor)特征并与高光谱图像组合，根据已有标签的训练样本，采用SMOTE(Synthetic Minority Oversampling Technique)算法来增加少数类样本，输入扩增后的训练样本集对一维深度神经网络和二维卷积神经网络进行训练，采用训练好的一维深度神经网络和二维卷积神经网络分别对测试集高光谱图像进行像素级分类；对分类结果进行融合并采用边缘保持滤波对融合后结果图进行优化；根据输入的三维高光谱图像，采用主成分分析技术，对输入的三维高光谱图像进行降维，基于获取的前三个主成分，采用全卷积网络对降维后的测试集的高光谱图像进行分割得到背景分割结果，将优化后分类结果图与背景分割结果融合，得到最终人脑胶质母细胞瘤分类结果。

技术领域

本发明涉及高光谱图像人脑胶质母细胞瘤识别技术，具体涉及一种基于空谱融合深度学习的医学高光谱图像分类方法。

背景技术

脑肿瘤是最致命的癌症之一，高级别恶性脑胶质瘤是所有脑和中枢神经系统肿瘤中最常见的形式。在这些恶性脑胶质瘤中，胶质母细胞瘤(GBM)是最具侵袭性和发病率较高的一种恶性肿瘤，其致残、致死率高。目前最成熟的治疗方法为手术切除，手术的主要目标是准确切除肿瘤，为患者保留尽可能多的正常脑组织。目前脑肿瘤切除手术主要使用电子计算机断层扫描(CT)、磁共振成像(MRI)和超声等成像方式作为指导工具，但是这些方法检测时间较长且不能实时定位。当前在临床上急需开发一种非接触式，无标签的成像方式在神经外科手术过程中为肿瘤的实时切除提供可靠的支持。高光谱成像是一种快速、非接触、非电离、无损伤、高安全性且无标签的成像方式，可以在不使用任何造影剂的情况下帮助外科医生完成这一艰巨的任务，符合现代医学检测技术的发展要求。

高光谱图像能够获取上百个光谱连续的波段，与全色、多光谱遥感图像相比，高光谱图像具有更加高的光谱分辨率，能够提供更加丰富的目标信息，从而更好的识别目标。高光谱图像不仅可提供目标的空间结构信息，同时也包含丰富的反映目标特有物理特性的光谱信息，实现了图谱合一，极大的提高了识别目标和分类的能力。传统上，高光谱图像已广泛应用于遥感领域，因此已开发出的用于高光谱图像分类的大多数算法都与此领域有关。在过去的几十年中，高光谱图像已广泛用于其他领域，例如药物分析，食品质量检查或国防与安全等。在医学领域，这种成像方式自1990年代以来一直用于研究目的，医疗高光谱图像在癌症检测方面也已开始取得可喜的结果。目前大多数高光谱图像肿瘤的分类和轮廓检测模型都是基于传统的机器学习算法，无法解决现代医学图像信息量大，特征丰富，模态种类多等难题。由人工智能和深度学习支持的智能辅助诊断在解决这一巨大挑战方面具有广阔的前景。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于空谱融合深度学习的医学高光谱图像分类方法，实验表明，本发明能够有效地描绘出大脑的实质区域并确定肿瘤的位置，从而为医生在手术中成功而精确的肿瘤切除提供指导。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于空谱融合深度学习的医学高光谱图像分类方法，该方法包括；

步骤1；数据预处理；对所有的三维高光谱图像数据进行光谱校正；采用HySIME滤波器对光谱校正后的三维高光谱图像数据进行滤波降噪处理；移除噪声中的极端波段，并通过相邻波段均值融合的方法对高光谱图像进行降维；再对数据进行归一化处理，得到归一化处理后的三维高光谱图像；

步骤2；获取数据集；所述数据集包括归一化处理后的患者三维高光谱图像，所述归一化处理后的患者三维高光谱图像包括训练样本集和测试样本集，所述训练样本集和所述测试样本集均包括正常组织区域像素(1)、胶质母细胞瘤区域像素(2)、血管区域像素(3)和背景区域像素(4)四类；