基于太赫兹光谱和神经网络的心肌淀粉样变检测

作     者：余平 

作者单位：天津理工大学 

学位级别：硕士

导师姓名：石凡

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1002[医学-临床医学] 08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 100201[医学-内科学(含：心血管病、血液病、呼吸系病、消化系病、内分泌与代谢病、肾病、风湿病、传染病)] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 10[医学] 

主      题：太赫兹光谱 神经网络 心肌淀粉样变 低信噪比 小样本 

摘      要：太赫兹时域光谱技术与深度学习方法的结合已经在生物医学领域得到了广泛应用,为心肌淀粉样变的智能化检测提供了新思路。然而,实施该技术仍面临着一些挑战:生物组织的不规则性、不同种类的组织存在光谱重叠、低信噪比及小样本场景下的分类实现。基于此,本文首先对利用太赫兹时域光谱技术及人工智能实现心肌淀粉样变检测的相关背景进行了介绍,随后对光谱数据集的高效构建进行了详细阐述,并进一步对样本分类模型进行了结构描述和性能分析。最后,为更加贴近实际应用场景,本文详细阐述了在低信噪比、小样本场景下的病变检测流程。具体来说,本文的主要研究内容及创新点如下:一、提出了一种生物样本边缘光谱剔除算法,以此实现太赫兹标准光谱数据集的高效构建。人心肌组织样本极为珍贵,因此实验应尽量保有样本的原始信息。然而,由于原始组织存在面积小、形状不规则等问题,不可避免会采集到“非样本区域+样本区域的混合光谱,这将影响光谱信息的纯净度并干扰后续样本分类。在对光谱趋势进行分析的基础上,本文设计了一种基于一阶差分阈值的数据清洗算法,实现了对边缘光谱的自动剔除,并构建了总量为4319的标准数据集。二、设计了一个灵敏且实时的深度学习模型用于实现心肌淀粉样变检测。数据集取自具有三种厚度的生物组织,并同时包括四种不同的信噪比,因此如何弱化类内样本的差异度、放大不同种类间样本的区分度尤为重要。针对数据集的特点,本文设计了以多尺度特征提取模块、密集连接模块为核心的卷积神经网络,并实现了98.37%的准确度、97.94%的精确度、98.85%的召回率和98.39%的F1分数。分类一个光谱所需时间仅为0.0035秒,整体检测流程控制在1小时以内,检测效率超过已有的临床方法。三、实现了在低信噪比、小样本场景下的心肌淀粉样变检测,大幅度压缩了数据获取时间。以平均1次的100个样本为数据集,设计了融合卷积降噪自编码器、多尺度特征提取及密集连接操作的分类模型,并取得了95.00%的准确度、100%的精确度、92.30%的召回率和95.99%的F1分数。获取和分类单个光谱的时间分别在1秒、0.004秒以内,整体耗时控制在100秒左右,时间代价大幅度降低。除此之外,通过将该模型与数据扩增算法相结合,本文解决了“非均衡、低信噪比、小样本条件下的心肌淀粉样变检测问题。