一、大肠组织自体荧光光谱的判别诊断研究（论文文献综述）
黎远鹏[1]（2019）在《基于荧光高光谱成像和机器学习的胃癌早期诊断方法研究》文中指出胃癌（gastric cancer,GC）早期的及时诊断可有效减少胃癌发病率和降低死亡率。目前胃癌早期诊断的临床方法尚存在主观性强、检验程序繁琐、耗时、易漏诊等缺点。因此,探索一种客观、快速、准确的胃癌早期诊断方法具有重要的临床应用价值和科学研究意义。本文探讨了荧光高光谱成像技术结合机器学习建模应用于胃癌早期诊断的可行性。采集来自中国人民解放军第74集团军医院消化内科和南方医科大学珠江医院消化内科患者的120例离体胃黏膜组织样品,经病理组织学确诊分为3组,其中非癌前病变组53例、癌前病变组35例和胃癌组32例。本文主要研究方法及思路为:首先,采用荧光高光谱成像技术采集胃黏膜组织样品的荧光光谱图像（450-680 nm）,图像经过二值化后获取感兴趣的区域,并随机提取100个像素点的荧光光谱,通过荧光光谱分析非癌前病变组、癌前病变组和胃癌组的荧光成分差异及变化;然后,通过传统机器学习方法结合光谱特征建立胃癌早期诊断（包括非癌前病变组、癌前病变组和胃癌组）模型;其次,采用空谱联合分类方法融合光谱和空间信息,并通过人工提取空谱联合后的“空间+光谱”特征结合集成学习建立胃癌早期诊断模型,并与集成学习结合光谱特征建模进行比较;最后,采用深度学习方法自动识别提取空谱联合后的“空间+光谱”特征建立胃癌早期诊断模型。光谱分析及机器学习建模结果如下:（1）荧光光谱分析结果:在胃癌组织中496 nm的荧光峰较强,640 nm和670 nm的荧光峰较弱,可能是恶性组织中吡哆醛磷酸“席夫”碱浓度、血卟啉IX浓度代谢异常所致;546nm对应生物体类脂中的磷脂发出的荧光,荧光发射峰强度非癌前组>癌前病变组>胃癌组,磷脂的代谢异常反映了病变发展的严重程度;这些差异表明肿瘤转化过程中组织中荧光团组成的变化。这些内源性荧光物质可作为光谱生物标志物,用于区分非癌前病变、癌前病变及胃癌。但受组织成分空间分布差异、个体差异及仪器噪声等影响较大,荧光光谱重叠较为严重,可能容易产生误判。（2）基于传统机器学习方法（partial-least-square discriminant analysis,PLS-DA;support vector machine,SVM）的建模结果:PLS-DA结果表明,非癌前病变组与癌前病变组的准确率、特异性、灵敏度分别为81.2%,79.8%,86.3%;非癌前病变组与胃癌组的准确率、特异性、灵敏度分别为87.5%,87.5%,89.9%;癌前病变组与胃癌组的准确率、特异性、灵敏度分别为82.1%,95.3%,76.4%。SVM结果表明,非癌前病变组与癌前病变组的准确率、特异性、灵敏度分别为92.8%,94.0%,90.9%;非癌前病变组与胃癌组的准确率、特异性、灵敏度分别为95.6%,96.5%,94.3%;癌前病变组与胃癌组的准确率、特异性、灵敏度分别为94.9%,94.7%,95.8%。SVM建立的胃癌早期诊断模型的准确率都在92%以上,效果明显优于PLS-DA。（3）基于集成学习（e Xtreme Gradient Boosting,XGBoost）算法的建模结果:基于XGBoost结合空谱联合分类建模的结果表明,非癌前病变组与癌前病变组的准确率、特异性、灵敏度分别为:92.0%,90.6%,93.4%;非癌前病变组与胃癌组的准确率、特异性、灵敏度分别为:91.5%,90.3%,92.5%;癌前病变组与胃癌组的准确率、特异性、灵敏度分别为:91.3%,90.5%,92.1%。基于XGBoost结合光谱分类建模的结果表明,非癌前病变组与癌前病变组的准确率、特异性、灵敏度分别为:91.6%,88.4%,90.4%;非癌前病变组与胃癌组的准确率、特异性、灵敏度分别为:95.8%,88.4%,92.7%;癌前病变组与胃癌组的准确率、特异性、灵敏度分别为:93.9%,93.6%,93.7%。XGBoost建立的胃癌早期诊断模型的准确率都在91%以上,但空谱联合分类模型相比光谱分类模型没有较大改善。（4）基于深度学习（Res Net-34）算法的建模结果:基于Res Net-34结合空谱联合分类方法的建模结果表明,非癌前组、癌前病变组、胃癌组总的准确率为96.5%,特异性分别为:96.0%,97.3%,96.7%。灵敏度分别为:97.0%,96.3%,96.6%。比较可知:非线性模型（SVM/XGBoost/Res Net-34）的特异性和灵敏度明显优于线性模型（PLS-DA）,说明受仪器、环境、个体差异等影响,光谱及图像数据都具有明显的非线性效应,而非线性模型能更加有效的提取到与病变相关的类别信息;相比于传统机器学习和集成学习,深度学习的建模效果更好。因此,通过荧光高光谱成像结合机器学习构建的胃癌早期鉴别模型,可为胃癌早期诊断提供更好的参考信息,并且通过深度学习结合空谱联合分类方法建模可有效提高胃癌早期的诊断准确率,有望成为胃癌早期诊断的新方法。
秦诗佳[2]（2019）在《自体荧光成像系统的关键技术研究》文中研究说明消化道肿瘤是威胁我国人民生命健康和经济社会发展的严重问题,发生癌变前的五到十年,人体组织内的一些内源性荧光物质含量会发生改变,导致这些物质受激发光照射时,会产生不同于正常组织的荧光光谱,这种现象发生于癌前病变阶段。在这一阶段诊断出癌变并及时介入治疗,相比于原位癌和浸润癌时期的治疗,癌症的存活率能提高20%至50%。自体荧光成像技术能无创无损的检测出癌前病变,因其操作难度小、使用成本低,且使用范围广,成为该领域的热点技术被广泛研究。现有的自体荧光检测系统存在如下问题和缺点:为保证生物体组织受激发后产生的荧光强度,激发光源的功率密度应大于0.1mJ/cm2,大功率光源的光热占比均在1/4至1/3的范围,满足光功率条件的光源会存在热功率高的问题,容易对生物体组织造成损伤,因此自体荧光光源的散热问题亟待解决。自体荧光的图像质量尤其是其颜色特征对诊断结果有重要影响,荧光内窥镜所使用的CMOS图像采集系统,输出RAW格式数据,其颜色复原的关键在于插值算法,而现有算法没有突出自体荧光图像的颜色特征,不适合直接应用于自体荧光系统,有待改进。一次内窥镜检测会产生大量图片,人工从中筛查病变图像耗费大量时间,且依赖于检察人员的经验和技术,因此需要为自体荧光系统设计病变识别方案来解决上述问题。现有自体荧光癌前病变检测的方法有光谱法和图像法,荧光光谱法会增加系统的成本和结构复杂性,不如图像法直观、精确,无法进行推广,而图像法主观性强,依赖于医务人员经验,因此应用于自体荧光系统的智能病变诊断算法有待开发。本文针对上述三个问题,研究了激发光照射生物体组织使其发出自体荧光的机理,设计出一套自体荧光成像系统,完成了系统集成与组装,在此基础上,对激发光源的驱动和散热、荧光图像插值算法及荧光图像分类这三个关键技术进行深入研究。本文选择中心波长为365nm、功率1450mW的UVLED作为激发光源,对其电气特性和温度特性进行分析,研究UVLED的散热方法,为其设计了包括恒流驱动、使用铝基板、外部散热器在内的措施,在保证激发光功率满足需求的情况下,将其稳定工作时的结温从70℃成功降到26.1℃。对于CMOS图像传感器输出的贝尔格式图像,基于双线性插值算法和边缘导向插值算法,分析自体荧光图像的颜色特征,制定了着重恢复红蓝两通道的优化方案,充分突出自体荧光图片的颜色特点。实验表明,使用此算法恢复的图片,R和B通道的PSNR值高于其它常用算法,达到约38,恢复效果好,且适用于自体荧光系统。本文选择支持向量机模型来对自体荧光图像进行分类,在HSV颜色空间进行图像特征提取,分别使用手动提取颜色特征和自动提取特征的方式,训练SVM模型,实验表明,病变检出率最高达到0.8249,分类效果好。
聂英斌[3]（2012）在《激光诱导结肠癌组织的自体荧光光谱特性及其检测系统研究》文中研究表明本文首先概述了人体组织自体荧光光谱特性,阐述了自体荧光光谱诊断结肠癌的研究背景和国内外研究现状。其次,采用FLS920稳态和瞬态荧光光谱系统检测17例离体结肠组织自体荧光光谱,选择337,375,405和460nm为激发波长,相应地荧光发射波长范围分别为360-650nm,400-650nm,420-650nm和480-650nm。对各个激发波长的自体荧光光谱数据采用主成分分析法（Principal Component Analysis, PC A）结合线性判别分析方法（Linear Discriminant Analysis, LDA）进行判别分析,结果发现采用PCA结合LDA对337nm激发荧光光谱数据进行判别分析,获得区分结肠正常和腺癌组织的特异性较好（89.5%）,但灵敏度较低（73.5%）。当激发波长为460nm时,区分结肠正常和腺癌组织的灵敏度、特异性和正确率分别为85.3%,86.8%和86.1%。激发波长为375和405nm时,所对应的灵敏度和特异性均较低。研究结果表明,337和460nm可作为离体结肠癌诊断的最佳激发波长,采用PCA和LDA相结合的数据处理方法,可有效地区分离体结肠正常和癌变组织。再次,结合荧光光谱分析结果,自主研发了一套便携式结肠组织自体荧光光谱检测系统,并将该系统检测的光谱数据与FLS920光谱仪测得的数据进行比较,完成样机的性能测试。最后,总结了本论文完成的主要工作以及取得的研究结果,并提出了今后拟开展的研究内容。
廖志芳[4]（2008）在《大肠早癌辅助诊断数据挖掘方法研究》文中进行了进一步梳理随着医疗诊断技术的发展,各个医疗部门积累了大量医疗诊断信息,如病人的医学影像资料、生理生化指标、生物信息学指标、病人背景资料等,这些数据资料背后隐藏着很多有可能成为临床辅助诊断依据的重要信息,因此有必要利用相关技术对这些重要信息进行分析处理。数据挖掘是广泛应用于医疗诊断数据分析处理的技术之一,采用数据挖掘技术可以通过对患者资料数据库中大量历史数据的处理,挖掘出有价值的诊断规则,从而依据患者的年龄、性别、生活习性、辅助检查结果、生化指标等做出判断,排除人为因素的干扰,客观性强,得到的诊断规则有着较好的普遍性。本文以数据挖掘技术为基础,以激光诱导自体荧光大肠早癌诊断数据为载体,通过分析诊断数据特征,从数据预处理、训练数据集的形成以及分类预测方法三个方面,对大肠早癌诊断数据进行深入分析研究,形成激光诱导大肠早癌辅助诊断系统,为临床医生提供辅助诊断的手段。本文首先分析了激光诱导自体荧光诊断大肠早癌的机理、特点、研究意义,根据医疗诊断数据特征,提出了激光诱导自体荧光大肠早癌辅助诊断数据分析处理流程,并对各部分进行了分析,着重阐述光谱数据采集系统组成以及光谱数据的采集方法,同时进行了滤除高频电子噪音,剔除光谱基线、截取有效带宽信号以及归一化荧光光谱的数据除噪处理。面向不完整的大肠早癌荧光数据,通过分析比较特征提取方法,本文提出基于容错关系的信息熵粗糙集主成分分析算法,容错关系粗糙集较之传统粗糙集能满足诊断数据的不完备性,同时引入随信息量减小而单调下降的信息熵,在此基础上提出属性约简方法,对光谱数据进行属性约减,并利用主成分分析算法进行进一步的特征属性提取。通过该算法,提取了影响大肠早癌诊断的特征数据,降低数据维度,减少后续数据处理的复杂度。由于医疗诊断数据中多为混合数据的特性,通过分析现有混合数据聚类算法,本文提出了基于格论的混合数据聚类算法。利用格进行数据分布以消除数值型属性和符号属性的分布差别,利用数据间格的涵盖数目来进行聚类计算,因此该算法在进行混合数据处理时不再需要进行数据转换。针对算法中的参数,即初始聚类数目和中心点的选取进行了优化分析,其中初始聚类数目利用遗传算法进行优化,获得初始聚类数目的取值空间;同时对中心点的选取进行了优化说明,同时对算法性能进行了分析。以形成的聚类数据集为基础,利用均值方差法和荧光强度比值判别法进行数据特征的提取,得到正常组织和癌症组织的分类特征,为分类判别提供依据。针对医疗诊断数据中实时性要求,通过分析所采用的分类算法性能,发现该分类算法存在着大量重复计算,因此算法复杂度和算法的空间复杂度比较高。为解决这一问题,本文提出了基于检索树结构的处理方法,通过构建检索树,将多数重复计算节点构建在检索树的高层,无重复节点建立在检索树的下层,以此来降低算法的重复计算,有效地降低了算法复杂度以及空间复杂度,以满足诊断实时性要求。针对医疗诊断数据中的不平衡性,在分析了非平衡数据分布特征以及当前的非平衡数据处理方法后,利用样本处理技术,本文提出了全局密度非平衡数据分类,μ-密度非平衡数据分类方法以及边界样本局部密度的非平衡数据分类方法,全局密度非平衡数据分类方法以各自类别的样本为基础进行综合平均,这种方法有利于稀疏数据的分类而降低密集数据分类有效性;μ-密度非平衡数据分类方法通过代价敏感方法,分析样本分类正确性代价,得到合适的μ值进行样本数据的选取,以提高非平衡数据分类有效性;边界样本局部密度的非平衡数据分类方法着重分析处于非平衡数据集中的边界样本数据,通过多种方法进行边界数据的分类,同时对算法中的相关参数进行分析。这三种算法都是通过样本数据选择,提高少数类样本数据量以减少数据非平衡性。论文最后总结了全文的创新点,提出了今后将继续进行的研究方向。
王双维[5]（2008）在《基于PCA的医疗数据特征提取方法研究及应用》文中指出在对高维数据的处理中,若不考虑数据降维的问题,会导致数据量大,计算复杂,难以提取有价值的信息等问题,因此,高维数据的特征提取是数据挖掘中重要的数据预处理问题。高维数据特征提取是从原始数据中提取对分类识别最有效的特征,以表示原始数据,从而实现特征空间维数的压缩。本文以湖南省自然科学基金项目为背景,系统研究了激光诱导自体荧光光谱数据的特征提取技术。本文通过分析比较当前经典的特征提取技术,并分析其优缺点,提出了两种数据特征提取方法。首先,从统计分析角度,提出了一种基于主成分判别分析的特征提取方法,该方法克服了主成分分析中鲁棒性差、没有充分利用类别信息的问题,克服了FLDA算法的小样本问题和秩限制问题,可有效降低数据维数。其次,引入粗糙集理论,从知识发现的角度提出了基于容错关系信息熵的粗糙主成分分析方法,该方法不需要任何先验知识,可对知识进行严密分析和处理。通过实验证明,粗糙主成分分析方法不仅解决了主成分判别分析方法难以处理的信息不完备问题,而且取得了更高的分类识别率、敏感性和特异性。
王双维,樊晓平,廖志芳[6]（2008）在《一种激光诱导荧光光谱特征提取新方法》文中研究表明利用主成分分析（Principal Component Analysis,PCA）和Fisher线性判别分析（Fisher Linear Discriminative Analysis,FLDA）方法相结合提取特征,提出了一种荧光光谱特征提取新方法--PCAFLDA。实验证明,新方法提高了激光诱导自体荧光光谱对早期结肠癌的诊断精度。对预处理后的240条荧光光谱,利用PCAFLDA算法提取了50个特征变量,利用支持向量机将其分为正常组织和癌变组织,分类敏感性、特异性和准确率可分别达到97.5%、95.12%和96.25%。
张奚宁[7]（2008）在《人胃癌裸鼠模型的激光诱导荧光光谱研究》文中研究表明近年来,激光诱导自体荧光光谱技术以其实时、无毒副作用及高灵敏度等特点,在肿瘤诊断领域得到了广泛的应用。但学术界尚未就以何种荧光物质标识组织癌变的特征形成一致标准。另外,应用该方法对肿瘤诊断的研究主要集中在对离体组织的检查,及基于内窥镜的组织在体光谱探测,这两种手段都无法为外科手术过程提供腹膜结节的实时信息,阻碍了激光诱导自体荧光光谱（Laser-induced Autofluorescence,LIAF）技术的进一步推广。本文首先搭建了以405nm激光为激发光源的LIAF系统,采集经不同生物免疫细胞治疗、有不同坏死程度的4组人胃癌裸鼠模型离体组织的LIAF光谱,监测其中内源性原卟啉IX（Protoporphyrin IX,Pp IX）含量的变化,发现随着肿瘤坏死面积的增加,离体组织中的原卟啉IX荧光峰强度降低,而烟酰胺腺嘌呤二核苷酸（Nicotinamide Adenine Dinucleotide,NADH）的没有明显变化规律,说明Pp IX对胃癌组织的生长状态有较为灵敏的标识作用。选择肿瘤细胞生长时间不同的6组人胃癌裸鼠模型作为研究对象,应用搭建的系统,模拟手术过程中组织光谱的在体探测,实现了腹膜及腹腔组织的在体光谱探测。对腹膜组织的组平均光谱形态进行比较,发现随肿瘤细胞生长时间的增加,NADH荧光峰强度逐渐降低,原卟啉IX第一荧光峰强度逐渐升高,表明肿瘤生长过程中,组织中NADH含量逐渐减少,卟啉类物质含量逐渐增加;采用层次聚类的方法,将这些组织分为3类,并用判别分析法计算判别函数,得到3类的整体错分率为9.6%,其中对正常腹膜光谱的错分率为33.4%,而对肿瘤组腹膜光谱的错分率为6%,为应用判别分析对组织光谱进行分类诊断研究提供了参考依据。对采集到的腹腔光谱,用主成分分析方法提取肝脏、上腹部及下腹部三个位置的光谱特征并分类。结果发现:裸鼠腹腔内这三类组织的平均光谱形态存在差异,其中肝脏光谱中的原卟啉IX荧光峰明显高于腹部光谱,第一、二主成分对肝脏光谱与腹部光谱分开的准确率为100%,第三、四主成分对上、下腹部光谱的分类准确率为81.82%,可知自体荧光光谱可对不同的腹腔组织加以区别,为应用激光诱导荧光光谱技术,辅助外科手术提供了可能。
黄秋林,张阳德[8]（2008）在《激光诱导大鼠大肠早癌组织自体荧光光谱特征》文中研究表明目的:探索激光诱导大肠早癌组织自体荧光光谱特征.方法:采用二甲肼ip法建立SD大鼠大肠癌动物模型,对大鼠结肠和直肠可疑病变或肿块部位用370 nm激光照射,诱导组织产生自体荧光并收集光谱后取材,根据病理诊断分为正常组、早期癌组、进展期癌组,分析各组光谱特征.结果:正常64例,早期癌78例,进展期癌84例,共226例.各组光谱在460 nm和505 nm处附近有波峰;正常组460 nm左右波峰对应的波长与早期癌组、进展期癌组对应波长比较差异有显着性（457.66±3.28 vs 467.87±7.71,468.60±4.53,P<0.05）.73%（61/84）的进展期大肠癌组织、69%（54/78）的早期大肠癌组织荧光光谱在635nm附近有荧光峰,而正常组织缺乏该峰.早期癌组和进展期癌组自体荧光在460 nm处的荧光强度比在正常组相应强度弱.早期癌组和进展期癌组I635/I460（1.9507±1.1460,2.1368±1.4721）和I635/I600值（0.4215±0.2582,0.4482±0.2309）分别较正常组I635/I460和I635/I600值大且差异有显着性（0.7494±0.1077,0.1416±0.0439,P<0.05）.结论:激光诱导的大鼠大肠正常组织与大肠癌组织（包括早期和进展期大肠癌）自体荧光光谱之间存在差异,自体荧光光谱部分特征可用于大肠癌早期诊断.
项平[9]（2007）在《内镜下荧光技术诊断早期大肠癌应用进展》文中指出近20多年来,世界上多数国家大肠癌的发病率呈上升趋势,随着我国经济的发展,可能与生活和饮食习惯的逐渐西方化有关,我国大肠癌发病率上升趋势亦十分显着,2002年的新发病例约为15万例、死亡8.9万例,分别居常见恶性肿瘤发病率和死亡率的第五和第六位[1]。大肠癌患者的生存率与诊断时疾病的严重程度有关,按Duke’s分期标准,5年生存率大致为:
姚尧之[10]（2007）在《基于神经网络的大肠早癌诊断系统研究》文中指出激光诱导自体荧光（laser induced fluorescence，LIF）光谱是近年发展起来的肿瘤诊断新方法，与其他传统诊断方法相比，具有灵敏、快速、简便、无创伤及无毒副作用等优点，为探索肿瘤早期诊断、治疗提供了一种全新思路和方法。本课题结合国家“十五”攻关重点课题结肠早癌自体荧光诊断系统，由卫生部肝胆肠外科研究中心、提供大肠癌组织自体荧光光谱，通过建立丰富的实验数据资源库，全面分析与深入对比了不同荧光光谱的分布特征，通过采用严格的数理统计方法来分析荧光光谱特征分析，并结合建立BP神经网络光谱识别系统，研究了一种具有自适应的荧光光谱诊断识别系统，获得了较好的临床诊断敏感性和特异性，为大肠癌自体荧光光谱智能诊断系统的开发提供了较好的基础。具体来说，论文主要进行了如下方面的工作：（1）论文首先利用数理统计理论，采用SPSS工具，用t检验对22例大肠组织自体荧光强度值进行t检验分析，得出在荧光光谱在总体上不存在统计上的显着性差异，在431-437nm、631-638nm、717-724nm处大肠癌组织荧光强度值与正常组织间进行对照，发现大部分样本具有显着差异（P＜0.1），少量样本不存在统计意义上的差异性。结论：说明从统计意义上不能区分正常组织与癌组织。（2）在上面得到的初步结论的基础上，不经过数据清洗与处理，论文直接采用BP神经网络，对16例癌变组织与6例正常组织进行识别，在对16例癌组织与6例正常组织进行神经网络训练后。得到的结论为：直接BP神经网络识别方法对第三代仪器采集的数据15测试数据的测试准确性为46.67％。证明直接的数据神经网络识别还达不到临床要求。（3）为消除干扰数据的影响，对数据进行了清洗与预处理，提出了一种峰值查找与计算方法，以及一整套数据转换与整理方法，然后在此基础上提出了一种基于数理统计的数学判别方程。结论为：运用本文提出的峰值查找方法，较快速地从光谱中分离出了峰值特征区域。峰值数学判别方程分别由峰度，尖峰与平滑绝对与相对差等因素组成。即F=W1×Q1+W2×Q2+W3×Q3+W4×Q4+W5×Q5，若F＜32判为大肠正常组织，若F＞32判为大肠癌组织。随后采用了35标本进行检验，识别的准确率为93.4％。（4）结合数据整理与清洗后，再利用BP神经网络进行了识别。结果：综合以上因素的神经网络模型对35例待识别样本的准确率为34个正确，1个判误，准确率为97.1％。课题研究成果对推动激光诱导自体荧光诊断进入临床运用有较好的作用。
二、大肠组织自体荧光光谱的判别诊断研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、大肠组织自体荧光光谱的判别诊断研究（论文提纲范文）
（1）基于荧光高光谱成像和机器学习的胃癌早期诊断方法研究（论文提纲范文）
| 附录 简称及中英文全称对照表 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 癌前病变 |
| 1.4 胃癌早期诊断研究现状 |
| 1.4.1 临床检测方法 |
| 1.4.2 新型检测方法 |
| 1.5 荧光高光谱成像 |
| 1.5.1 荧光高光谱成像系统简介 |
| 1.5.2 荧光高光谱成像的应用 |
| 1.6 高光谱图像分类方法 |
| 1.6.1 机器学习方法 |
| 1.6.2 空谱联合分类方法 |
| 1.7 研究内容及技术路线 |
| 1.7.1 研究内容 |
| 1.7.2 技术路线 |
| 第二章 非癌前病变、癌前病变及胃癌组织的自体荧光光谱分析研究 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.2.1 实验样品 |
| 2.2.2 实验仪器及图像采集 |
| 2.3 方法原理 |
| 2.3.1 荧光光谱原理 |
| 2.3.2 光谱校准 |
| 2.4 内镜及病理诊断 |
| 2.5 光谱分析 |
| 2.5.1 光谱获取 |
| 2.5.2 高斯拟合光谱分析 |
| 2.5.3 二阶导数光谱分析 |
| 2.5.4 误差来源分析 |
| 2.6 小结 |
| 第三章 基于荧光光谱结合传统机器学习的胃癌早期诊断研究 |
| 3.1 引言 |
| 3.2 方法原理 |
| 3.2.1 Partial-Least-Square Discriminant Analysis |
| 3.2.2 Support Vector Machine |
| 3.2.3 模型参数评价 |
| 3.3 结果与讨论 |
| 3.3.1 样本集寻优 |
| 3.3.2 偏最小二乘判别建模结果 |
| 3.3.3 支持向量机建模结果 |
| 3.3.4 讨论 |
| 3.4 小结 |
| 第四章 基于空谱联合分类方法结合集成学习的胃癌早期诊断研究 |
| 4.1 引言 |
| 4.2 方法原理 |
| 4.2.1 决策树 |
| 4.2.2 e Xtreme Gradient Boosting |
| 4.2.3 空谱联合过程 |
| 4.3 结果与讨论 |
| 4.3.1 基于空谱联合分类的建模结果 |
| 4.3.2 基于光谱分类的建模结果 |
| 4.3.3 讨论 |
| 4.4 小结 |
| 第五章 基于深度学习结合空谱联合分类方法的胃癌早期诊断研究 |
| 5.1 引言 |
| 5.2 方法原理 |
| 5.2.1 神经网络基本原理 |
| 5.2.2 深度残差网络 |
| 5.2.3 空谱联合原理 |
| 5.3 结果与讨论 |
| 5.3.1 空谱联合结果 |
| 5.3.2 深度残差网络建模结果 |
| 5.3.3 参数寻优及预测结果 |
| 5.3.4 讨论 |
| 5.4 小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新之处 |
| 6.3 问题与展望 |
| 参考文献 |
| 博士期间发表论文及专利清单 |
| 致谢 |
（2）自体荧光成像系统的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 癌前病变检测技术 |
| 1.3 自体荧光内镜 |
| 1.3.1 自体荧光原理 |
| 1.3.2 自体荧光在癌前病变检测领域的应用 |
| 1.3.3 国内外研究现状 |
| 1.4 挑战与创新 |
| 1.5 本文研究内容 |
| 1.6 文章组织架构 |
| 第二章 AFI系统设计 |
| 2.1 总体方案设计 |
| 2.2 图像采集模块设计 |
| 2.2.1 图像传感器的选择 |
| 2.2.2 传感器参数 |
| 2.3 控制模块 |
| 2.3.1 参数配置方法 |
| 2.3.2 具体配置数值 |
| 2.4 传输模块 |
| 2.5 上位机图像接收与处理系统设计 |
| 2.6 本章小结 |
| 第三章 光源模块设计 |
| 3.1 光源选择 |
| 3.1.1 光源需求分析 |
| 3.1.2 本文选择 |
| 3.2 光源的恒流驱动 |
| 3.2.1 UVLED的原理及特性 |
| 3.2.2 恒流电路设计及验证 |
| 3.3 光源散热设计及验证 |
| 3.3.1 散热设计 |
| 3.3.2 散热实验验证 |
| 3.4 前端集成与封装 |
| 3.5 本章小结 |
| 第四章 贝尔图像插值算法优化 |
| 4.1 常用算法 |
| 4.1.1 双线性插值 |
| 4.1.2 边缘导向插值 |
| 4.2 优化算法 |
| 4.2.1 优化思路 |
| 4.2.2 实现方法 |
| 4.3 算法验证 |
| 4.3.1 图像效果 |
| 4.3.2 复杂度分析 |
| 4.4 本章小结 |
| 第五章 自体荧光系统的病变识别 |
| 5.1 方法框架 |
| 5.2 颜色空间转换 |
| 5.3 颜色特征提取 |
| 5.4 训练和分类 |
| 5.5 病变识别实验 |
| 5.5.1 提取指定特征的识别方案 |
| 5.5.2 自动提取特征的识别方案 |
| 5.5.3 实验结果及分析 |
| 5.6 本章小结 |
| 第六章 AFI系统成像实验 |
| 6.1 系统集成 |
| 6.2 离体组织图像采集 |
| 6.2.1 实验准备 |
| 6.2.2 图像采集方法 |
| 6.3 结果与分析 |
| 6.3.1 图像效果对比 |
| 6.3.2 图像质量分析 |
| 6.4 结论 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表或录用的论文和专利 |
（3）激光诱导结肠癌组织的自体荧光光谱特性及其检测系统研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 中文文摘 |
| 绪论 |
| 本论文主要的研宄内容 |
| 第一章 自体荧光诊断结肠癌的研究进展 |
| 1.1 人体组织主要内源性荧光物质的光谱特性 |
| 1.2 自体荧光光谱诊断结肠癌的研究进展 |
| 1.3 结肠组织自体荧光光谱检测系统 |
| 1.4 本章小结 |
| 第二章 激光诱导结肠癌的自体荧光光谱分析 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.3 结果与讨论 |
| 2.4 本章小结 |
| 第三章 便携式结肠组织自体荧光光谱检测系统 |
| 3.1 引言 |
| 3.2 结肠组织自体荧光检测系统 |
| 3.3 自体荧光光谱检测系统的性能评价 |
| 3.4 本章小结 |
| 第四章 全文总结 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
（4）大肠早癌辅助诊断数据挖掘方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 数据挖掘技术概述 |
| 1.2.1 数据规约 |
| 1.2.2 数据聚类方法研究 |
| 1.2.3 数据分类与预测方法研究 |
| 1.3 数据挖掘技术在医疗诊断中的应用研究现状 |
| 1.4 本文的主要研究内容及章节安排 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的章节安排 |
| 第二章 激光诱导自体荧光大肠早癌诊断数据分析系统 |
| 2.1 医疗诊断数据的特征及数据挖掘中的关键技术 |
| 2.2 激光诱导大肠早癌诊断数据分析 |
| 2.3 数据采集 |
| 2.3.1 激光诱导荧光的基本原理 |
| 2.3.2 自体荧光检测系统 |
| 2.3.3 标本选取 |
| 2.3.4 光谱采集 |
| 2.4 数据除噪处理 |
| 2.5 数据预处理 |
| 2.5.1 数据集成 |
| 2.5.2 数据约简 |
| 2.6 聚类分析与分类预测 |
| 2.6.1 确定聚类模式 |
| 2.6.2 形成初始训练样本集 |
| 2.6.3 数据特征提取 |
| 2.6.4 分类和预测 |
| 2.7 本章小结 |
| 第三章 粗糙主成分分析的属性约简方法 |
| 3.1 特征提取概述 |
| 3.2 粗糙集理论的基本概念 |
| 3.2.1 基于粗糙集理论的知识表达系统 |
| 3.2.2 约简与核 |
| 3.2.3 信息熵 |
| 3.3 基于容错关系的粗糙集模型 |
| 3.3.1 基于容错关系的粗糙集模型基本概念 |
| 3.3.2 基于容错关系的信息熵 |
| 3.3.3 基于容错关系信息熵的属性约简框架 |
| 3.4 基于容错关系信息熵的粗糙主成分分析方法(RPCA) |
| 3.4.1 算法思想 |
| 3.4.2 实例分析 |
| 3.4.3 算法分析 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集的说明 |
| 3.5.2 实验结果 |
| 3.6 本章小结 |
| 第四章 基于格论的数据聚类算法 |
| 4.1 基本概念 |
| 4.1.1 格的定义 |
| 4.1.2 格的域空间(Domain lattice) |
| 4.1.3 覆盖关系 |
| 4.2 相似性的度量 |
| 4.2.1 基本思想 |
| 4.2.2 产生所有子格 |
| 4.2.3 计算所有的覆盖格 |
| 4.2.4 度量并聚类 |
| 4.3 算法描述 |
| 4.3.1 基本思想 |
| 4.3.2 产生所有子格 |
| 4.3.3 计算所有的覆盖格 |
| 4.3.4 度量并聚类 |
| 4.3.5 算法步骤 |
| 4.4 实验结果 |
| 4.4.1 公共数据集测试 |
| 4.4.2 大肠早癌临床数据实验 |
| 4.5 数据特征的提取 |
| 4.5.1 均值方差法 |
| 4.5.2 荧光强度比值判别法 |
| 4.6 算法分析 |
| 4.6.1 聚类数目k值的优化 |
| 4.6.2 聚类中心初始化方法 |
| 4.6.3 聚类质量分析 |
| 4.7 本章小结 |
| 第五章 基于检索树的改进分类算法 |
| 5.1 CwkNN算法简介 |
| 5.1.1 CwkNN举例 |
| 5.1.2 CwkNN算法实验性能分析 |
| 5.2 检索树的构建 |
| 5.2.1 检索树树节点的结构 |
| 5.2.2 检索树的构建 |
| 5.3 实验结果及算法比较 |
| 5.4 本章小结 |
| 第六章 非平衡医疗数据分类研究 |
| 6.1 引言 |
| 6.2 样本密度对数据分类的影响 |
| 6.3 基于μ-密度的数据分类算法 |
| 6.3.1 基于全局密度的改进计数最近邻算法 |
| 6.3.2 μ-密度分类算法 |
| 6.3.3 实验结果及分析 |
| 6.3.4 参数的选择与分析 |
| 6.4 基于边界样本局部密度分类算法 |
| 6.4.1 基于边界样本局部密度分类算法 |
| 6.4.2 基于边界样本局部密度分类算法实验结果 |
| 6.4.3 密度算法中参数分析 |
| 6.5 密度算法对大肠早癌数据集的实验结果及分析 |
| 6.5.1 大肠早癌数据集的说明 |
| 6.5.2 各改进密度算法和CwkNN的比较 |
| 6.5.3 边界样本局部密度分类算法和CwkNN的比较 |
| 6.6 密度算法和vkNN/tkNN的比较 |
| 6.6.1 对公共数据集的比较 |
| 6.6.2 对大肠早癌数据集的比较 |
| 6.7 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究与展望 |
| 参考文献 |
| 攻读博士学位期间的着作、学术论文 |
| 致谢 |
（5）基于PCA的医疗数据特征提取方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.2 特征提取技术的研究现状 |
| 1.3 激光诱导荧光光谱数据特征提取研究现状 |
| 1.4 本文研究内容与意义 |
| 1.4.1 激光诱导自体荧光诊断系统 |
| 1.4.2 特征提取的意义 |
| 1.5 论文组织结构 |
| 第二章 特征提取的基本方法 |
| 2.1 概述 |
| 2.2 主成分分析 |
| 2.2.1 基本思想 |
| 2.2.2 主成分定义及性质 |
| 2.2.3 算法实现 |
| 2.3 Fisher线性判别分析 |
| 2.3.1 基本思想 |
| 2.3.2 Fisher线性判别分析定义 |
| 2.3.3 算法实现 |
| 2.3.4 Fisher判别和PCA的比较 |
| 2.4 粗糙集理论 |
| 2.5 本章小结 |
| 第三章 基于主成分判别分析方法的特征提取 |
| 3.1 概述 |
| 3.2 数据准备 |
| 3.2.1 数据采集 |
| 3.2.2 数据除噪 |
| 3.3 主成分判别分析法 |
| 3.3.1 AFLDA的基本思想 |
| 3.3.2 算法步骤 |
| 3.4 实验结果及分析 |
| 3.4.1 数据集说明及性能指标 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于粗糙主成分分析方法的特征提取 |
| 4.1 粗糙集理论的基本概念 |
| 4.1.1 基于粗糙集理论的知识表达系统 |
| 4.1.2 近似与粗糙集 |
| 4.1.3 约简与核 |
| 4.1.4 信息熵 |
| 4.2 基于容错关系的粗糙集模型 |
| 4.2.1 基于容错关系的粗糙集模型基本概念 |
| 4.2.2 基于容错关系的信息熵 |
| 4.3 基于容错关系信息熵的属性约简算法 |
| 4.3.1 算法描述 |
| 4.3.2 实例分析 |
| 4.4 基于容错关系信息熵的粗糙主成分分析方法 |
| 4.4.1 算法步骤 |
| 4.4.2 算法分析 |
| 4.5 实验结果与分析 |
| 4.6 PCA_AFLDA和RPCA的比较 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要的研究成果 |
（7）人胃癌裸鼠模型的激光诱导荧光光谱研究（论文提纲范文）
| 摘要 |
| Abstract |
| 前言 |
| 0.1 课题的意义及来源 |
| 0.2 国内外的研究现状 |
| 0.2.1 LIAF 技术对生物组织自体荧光的探测 |
| 0.2.2 数据分析方法对光谱的分类 |
| 0.3 本论文的结构安排 |
| 第一章 荧光的基本原理及生物组织的荧光 |
| 1.1 荧光的基本原理 |
| 1.1.1 分子的能级结构与分子荧光的产生 |
| 1.1.2 激发光谱和荧光发射光谱 |
| 1.1.3 研究生物组织的光谱技术 |
| 1.2 生物组织的荧光 |
| 1.2.1 生物体内的荧光物质 |
| 1.2.2 生物体内的荧光吸收物质 |
| 1.2.3 生物组织荧光特征 |
| 第二章 光谱信息提取方法 |
| 2.1 光谱预处理 |
| 2.1.1 平滑 |
| 2.1.2 归一化 |
| 2.2 典型光谱的选取 |
| 2.2.1 平均光谱的计算 |
| 2.2.2 频数直方图 |
| 2.3 光谱信息提取 |
| 2.3.1 主成分分析法 |
| 2.3.2 层次聚类分析与判别分析 |
| 第三章 激光诱导荧光光谱系统的搭建 |
| 3.1 系统结构概述 |
| 3.2 光纤探头最佳收集角度与探测距离的确定 |
| 3.2.1 最佳探测角度θ范围的确定 |
| 3.2.2 最佳探测距离范围的确定 |
| 3.3 结论 |
| 第四章 人胃癌裸鼠模型肿瘤组织激光诱导荧光光谱的离体探测 |
| 4.1 材料与方法 |
| 4.1.1 样本分组及病理检验结果 |
| 4.1.2 自体荧光检测方法 |
| 4.2 实验结果与讨论 |
| 4.2.1 各组平均自体荧光光谱 |
| 4.2.2 原卟啉IX 荧光峰与抑瘤率的关系 |
| 4.3 结论 |
| 第五章 人胃癌裸鼠模型组织激光诱导荧光光谱的在体探测 |
| 5.1 材料与方法 |
| 5.1.1 人胃癌裸鼠模型分组及病理检验结果 |
| 5.1.2 裸鼠组织的在体光谱采集方法 |
| 5.2 实验结果与分析 |
| 5.2.1 腹膜组织的在体激光诱导自体荧光光谱 |
| 5.2.2 腹膜在体光谱的聚类分析与判别分析 |
| 5.2.3 腹腔组织的在体激光诱导自体荧光光谱 |
| 5.2.4 腹腔组织光谱形态信息的主成分分析 |
| 5.3 结论 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 人胃癌裸鼠模型的在体荧光检测的优势与困难 |
| 6.3 今后工作展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 发表的学术论文 |
（9）内镜下荧光技术诊断早期大肠癌应用进展（论文提纲范文）
| 1 荧光诊断的原理 |
| 1.1 荧光产生原理 |
| 1.2 自体荧光 |
| 1.3 外源性荧光 |
| 1.4 荧光光谱技术 |
| 1.5 荧光成像技术 |
| 2 内镜下荧光技术在早期大肠癌诊断中的临床应用 |
| 2.1 荧光光谱技术的临床应用 |
| 2.2 荧光成像技术的临床应用 |
| 3 展望 |
| Outline of the article学习提纲 |
| Test试题 |
（10）基于神经网络的大肠早癌诊断系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 绪论 |
| 1.1 选题背景和依据 |
| 1.1.1 选题背景 |
| 1.1.2 选题依据 |
| 1.2 大肠早癌诊断技术研究工作评述 |
| 1.2.1 大肠早癌诊断技术理论 |
| 1.2.2 论文的的前期研究基础 |
| 1.3 本文研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 论文采用的研究工具 |
| 1.4 主要研究成果与认识 |
| 第二章 自体荧光大肠早癌诊断系统与实验数据 |
| 2.1 自体荧光系统 |
| 2.2 实验数据的取得与数字特征分析 |
| 2.2.1 实验数据的取得 |
| 2.2.2 实验数据的数值统计特征 |
| 2.3 数据库的建立和维护 |
| 2.3.1 数据库的入库 |
| 2.3.2 数据库的维护 |
| 第三章 BP 神经网络诊断模型原理与建立 |
| 3.1 神经网络的基本原理 |
| 3.1.1 神经网络的基本原理 |
| 3.1.2 BP 神经网络的计算举例 |
| 3.2 BP 神经网格模型的建立 |
| 3.2.1 BP 模型系统界面及主要功能 |
| 3.2.2 BP 神经网络结构与参数确定 |
| 3.2.3 BP 神经网络模型的创建与使用步骤 |
| 3.2.4 BP 神经网络模型的有效性检验 |
| 第四章 基于 BP 神经网络方法的大肠早癌诊断研究 |
| 4.1 实验数据成图分析 |
| 4.2 基于 t 检验的识别数据差异性分析 |
| 4.3 尖峰样本数据的统计特征与组间差异性 |
| 4.4 基于 t 检验的尖峰样本数据差异性分析 |
| 4.5 直接的 BP 神经网络识别 |
| 4.5.1 网络的数据的准备与处理 |
| 4.5.2 网络的训练与运用 |
| 4.5.3 直接 BP 神经网络识别结果与分析 |
| 第五章 基于判别方程的神经网络大肠早癌诊断研究 |
| 5.1 峰值区域的识别算法 |
| 5.1.1 峰值特征分析 |
| 5.1.2 峰值识别思想与原理 |
| 5.1.3 峰值识别算法 |
| 5.1.4 峰值识别结果 |
| 5.2 基于峰值特征的判别方程诊断方法 |
| 5.2.1 峰值特征判别的思想 |
| 5.2.2 峰值特征判别方程的建立 |
| 5.2.3 峰值特征判别方程检测结果 |
| 5.3 基于判别方程的 BP 神经网络模型诊断方法 |
| 第六章 全文总结与展望 |
| 6.1 全文工作回顾与总结 |
| 6.2 后续工作与展望 |
| 参考文献 |
| 致谢 |
| 学习期间公开发表的学术论文 |
四、大肠组织自体荧光光谱的判别诊断研究（论文参考文献）
- [1]基于荧光高光谱成像和机器学习的胃癌早期诊断方法研究[D]. 黎远鹏. 暨南大学, 2019(04)
- [2]自体荧光成像系统的关键技术研究[D]. 秦诗佳. 上海交通大学, 2019(06)
- [3]激光诱导结肠癌组织的自体荧光光谱特性及其检测系统研究[D]. 聂英斌. 福建师范大学, 2012(01)
- [4]大肠早癌辅助诊断数据挖掘方法研究[D]. 廖志芳. 中南大学, 2008(02)
- [5]基于PCA的医疗数据特征提取方法研究及应用[D]. 王双维. 中南大学, 2008(01)
- [6]一种激光诱导荧光光谱特征提取新方法[J]. 王双维,樊晓平,廖志芳. 计算机工程与应用, 2008(12)
- [7]人胃癌裸鼠模型的激光诱导荧光光谱研究[D]. 张奚宁. 中国海洋大学, 2008(02)
- [8]激光诱导大鼠大肠早癌组织自体荧光光谱特征[J]. 黄秋林,张阳德. 世界华人消化杂志, 2008(06)
- [9]内镜下荧光技术诊断早期大肠癌应用进展[J]. 项平. 中国消化内镜, 2007(12)
- [10]基于神经网络的大肠早癌诊断系统研究[D]. 姚尧之. 中南大学, 2007(06)