论文部分内容阅读
在烧伤学科中,对病人烧伤创面的深度进行精确的检测是一个非常重要的研究方向,其诊断结果关系到后续创面的感染和增生性疤痕产生的机率。目前,烧伤深度的诊断主要由临床医生的主观经验判断而来,然而其诊断准确率仅有65%-70%。因此,迫切需要一种无创高效的烧伤深度检测的方法。近红外光谱成像(Near Infrared Spectrum Imaging,NIRSI)作为一种无创、非接触的光谱检测技术,能对烧伤皮肤组织结构变化进行检测,因此可用于对皮肤的烧伤深度进行诊断分析。但目前该方法在烧伤深度检测领域研究较少,限制了NIRSI技术在烧伤深度检测中的应用。针对上述问题,本文重点研究了如何利用特征学习方法结合近红外光谱图像对皮肤烧伤深度进行高精度的预测,提出了基于近红外光谱图像特征学习的烧伤深度检测的方法。本文工作的主要内容如下:(1)针对烧伤深度的全场定量探测,基于近红外光谱图像的RSER-KNN集成回归模型实现烧伤深度检测。首先利用NIRSI仪器采集猪皮全场光谱图像,对数据预处理后,将主成分分析(Principal Component Analysis,PCA)和线性判别分析(Linear Discriminant Analysis,LDA)算法融合对样本的光谱数据信号进行特征学习,并利用子空间集成思想训练多个K最近邻(K Nearest Neighbor,KNN)回归器进行集成融合,提升烧伤深度的预测精度。根据集成回归模型算法的预测结果绘制全场烧伤深度分布图,提供可视化效果。利用漫反射模型理论提取烧伤创面的光学特性参数的分布图,分析不同烧伤深度组织结构成分的变化,进行基于近红外光谱图像实现烧伤深度检测的机理研究。(2)针对跨域样本的烧伤深度检测,基于近红外光谱图像的深度迁移学习模型实现烧伤深度检测。首先使用近红外成像仪采集猪腹部的烧伤组织光谱图像,形成A和B两面数据集,并分别将其作为源域和目标域数据进行实验。利用A面数据集对卷积神经网络(Convolutional Neural Network,CNN)回归模型进行预训练并验证,使用传统的机器学习模型与之进行对比实验分析,验证CNN模型的特征学习能力和高精度预测能力。然后,引入深度迁移学习方法克服烧伤数据集分布差异导致的模型泛化能力低的问题。深度迁移学习将预训练的CNN回归模型底层结构和参数进行迁移,并添加顶层结构得到迁移的CNN网络(CNN-transfer)。最后,利用B面数据集的少量样本对CNN-transfer进行微调优化,提升对B面数据集的预测效果,实现跨域样本高精度的深度预测。本文为烧伤创面的全场定量检测和跨域样本的烧伤深度检测提供了思路和实现方法,为基于近红外光谱图像结合特征学习的烧伤深度检测研究提供了新的理论依据,具有重要的理论价值和实际意义。