文摘

目标。它旨在探索微观的应用高光谱技术在运动和感觉神经分类。方法。自主研发的微观高光谱采集系统应用于收集数据的前部和后部脊髓部分白色的兔子。联合校正算法是用来收集到的数据进行预处理,比如降噪。纯线性光源指数的基础上,一个新的像素基于交叉对比的净化算法提取更感兴趣的区域,这是用于特征提取的运动和感觉神经。此外,ML算法采用基于特征提取分类运动和感觉神经的结果。结果。联合校正算法采用显微高光谱技术收集的数据进行预处理,以消除入射光源和系统的影响,提高分类精度。轴突和髓鞘光谱曲线的两种神经染色标本有相同的趋势,但各种频谱的价值高于感觉神经的运动神经。然而,运动神经的髓鞘光谱曲线无污点的标本大大不同于感觉神经的曲线。轴突光谱曲线有相同的趋势,但感觉神经的轴突谱值高于运动神经。ML算法精度高,速度快的运动和感觉神经分类,和染色标本的分类效果优于无污点的标本。结论。微观高光谱技术在感觉和运动神经分类可行性高,值得进一步研究和推广。

1。介绍

高光谱图像数据被定义为一个狭窄的连续光谱在可见的范围,获得近红外、中红外、远红外波段的电磁频谱,可以分为空间和光谱部分(1]。近年来,日益成熟的光谱成像技术的发展,加上其大量的信息和高分辨率的优点,吸引了越来越多的学者研究在生物医学领域中的应用(2]。目前,该领域的研究方向主要集中在两个方面,即成像系统基于现有的医疗设备和数据分析研究基于收集到的数据(3]。目前,微高光谱技术被应用到受伤皮肤的愈合程度的评价,肿瘤定位和差异化,黑色素瘤诊断、和其他方面4,5]。

周围神经损伤主要包括运动和感觉神经损伤是最常见的导致患者的感觉和运动功能丧失。主要的治疗方法是修复受损的神经。为了确保受伤的神经的修复效果,两个镜子打破神经必须准确匹配吻合(6]。更重要的是,这种治疗的实现的前提和基础是神经类型的准确判断。目前,经常应用临床神经束的方法识别电生理学方法,同位素方法,解剖方法,和组织学方法。然而,这些方法都有自己的局限性,因为他们通常显示长时间检测的缺点7]。因此,一种快速、高效、准确、具体,和简单的神经识别方法是急需的。大量的研究表明,从理论上讲,微观高光谱技术具有操作简单、精度高,检测速度快在解决神经速度(8]。它表明,微观高光谱技术在不同神经类型也有巨大的潜力,已进一步深入和全面的研究的价值。

2。研究方法和材料

2.1。研究对象

脊髓根白色的兔子被冻结的部分。此外,部分被分为彩色和清白的部分。所有部分采用本研究部门提供的X的整形外科医院,这是由专业人员处理。

2.2。微小的高光谱图像数据的集合

本研究中使用的显微镜高光谱采集系统由xxx实验室独立开发,这是由两个部分(显微镜技术和光谱技术)。光谱和微观信息可以同时获得。此外,硬件主要是由显微镜,声光可调谐滤波器(AOTF)光谱仪、无线电频率(RF)司机,数组电荷耦合装置(CCD)的图像采集卡,和计算机等级的部分。该系统的软件设计是基于c++ Builder 6.0,和具体的流程图如图1。第一步是显微镜的放大倍数选择,和入射光源的强度以及载体的位置调整部分承运人舞台上,使目标清晰可见的目镜和大小合适。第二步是判断是否目标对象通过软件平台的实时显示。第三步是参数设置、系统初始化、选择集合模式,和其他操作。第四步是收集数据。

2.3。数据预处理

生物组织样本的光谱数据的差异很小,和空白部分和组织样本之间的相似性也很棒。这使得判断更加困难,因此有必要减少干扰因素和降噪等预处理数据。在这项研究中,采用联合校正算法处理数据从两个层次,光谱和空间维度。

谱密度修正系数 修正系数和空间维度是通过使用获得的原始光谱数据空白部分。然后,和使用的高光谱数据和纠正白兔标本。最初的空白高光谱的大小 。更重要的是,米和N代表高光谱数据在二维空间的像素值,和l代表乐队的数量。此外, 可以用下列方程表示。

代表的透光率强度值点空白幻灯片标本 在乐队 ,和 表示透光率的平均值空白试样的强度值点 在所有乐队,可以获得以下方程。

的表达在方程(3), 可以计算出方程(2),的平均值 。因此,B表示在方程(4)。

联合校正后,原来的微小的高光谱数据 白色的兔子表示为

2.4。特征提取的边缘和运动神经标本数据

特征提取数据分析的前提是在数据分析过程中最关键的一步。所有图像信息的提取和分析效果取决于提取的特征信息。提取的数据微观高光谱系统记录像素的形式。一个像素可能包含多种形式因为显微镜分辨率或标本本身是一个混合不同类型的神经。它增加了分类判断的困难。因此,它是必要的净化像素获得纯净化的像素。首先,原始高光谱数据dimensionalized减少噪音和样本大小。像素纯度指数(PPI)用于endmember映射。最后,每种类型的终极纯神经元的神经被n维提取视觉分析工具。

2.5。分类的运动和感觉神经

根据电动机的特点和感觉神经位置,最大似然算法被选为分类算法。所谓的最大似然算法是非线性算法,分类的概率测量指向不同类别。最大似然算法适用于分析样本数据符合正态分布。符合正态分布的随机变量X概率密度函数可以表示为

最后歧视算法的最大似然算法如下方程所示。此外,x代表输入样本。和方差矩阵和向量样本集的意味着什么 ,分别。

分类决策函数提出了下列方程。

3所示。结果

3.1。微观高光谱数据分析

在这项研究中,收集到的微观从两个方面分析了高光谱数据的光谱和图像尺寸。通过观察和分析的图像从白兔收集的标本和空白幻灯片的微观高光谱采集系统,发现图像采集系统收集的因素,如黑色的斑点,遇到了一些麻烦噪音和不规则的条纹。它可能引起的灰尘在光路,可减少定期除尘。光谱数据收集的系统数据所示2和3。

图2显示承运人的入射光强度与标本片叠加在同一坐标位置低于空白的幻灯片。图3表明,光谱形状的各种各样的组织表现为入射光波的形状。这可能是由于薄而透明的生物组织的性质。然而,光波的衰减程度在不同的坐标是不同的不同的生物组织。生物组织可以分类分析光波的衰减。有必要对收集到的数据进行预处理以达到准确、快速分类。

3.2。图像预处理的结果

的形象表现神经标本处理联合校正算法是一样的原始图像,噪声等干扰因素,灰色斑点,乐队完全移除。处理后,意味着波曲线感兴趣的区域在图所示4。这表明背景意味着流行曲线近似曲线,然后,意味着流行曲线感兴趣的地区也有明显的差异。发现联合校正算法对收集到的数据有良好的处理效果的微观高光谱技术。

3.3。纯像素提取的结果

根据上述算法,纯像素从收集到的图像中提取的元素,然后,各种纯像素元素的平均值计算获得其特征光谱曲线,如图5和6。运动和感觉轴突髓鞘,和背景光谱非常不同,但光谱曲线的两种类型的神经显示相同的模式。

3.4。最大似然算法的效果比较和各种神经分类的算法

运动和感觉神经分类的比较结果和分类时间最大似然算法和其他算法给出了表1。它表明,代表穷人和分类效果代表了分类效果的水平。数量越多,更好的分类效果。表1提供了最大似然算法分类精度最好的染色和清白的标本,分类速度快的优势。

4所示。讨论

光谱技术在生物医学的应用可以分为两类,包括成像诊断和光谱诊断。这两种技术只能获得一个光谱和图像结果,从而导致单信息,少量等缺点。相比之下,微谱技术可以同时获得谱和相位信息和拥有丰富的信息。近年来,它已经取得了很大的进步在生物医学领域由于显微光谱技术的优点9]。目前,大量的学者们调查了在生物医学领域中的应用。目前,微高光谱技术已经应用于临床实践在皮肤病诊断、肿瘤定位、和细胞分析(10- - - - - -12]。

目前,临床神经分类方法主要关注电生理学和组织特征(13]。很少有研究使用光学技术老神经的分类。随着显微镜的发展,高光谱技术在生物医学研究领域,一些学者还提出了应用于神经分类。一些学者采用显微高光谱技术来收集的图像的运动和感觉神经的前和后根部分脊髓的狗,以分析光谱。发现的光谱方向和趋势两种类型的神经是相同的,但有一个很大的区别在光谱曲线的值(14]。这表明,微观高光谱技术有巨大的潜力和可行性的运动和感觉神经之间的区别。

在这项研究中,采用自主研发的显微高光谱系统收集的数据前和脊髓后根白色的兔子。然后,联合校正的图像预处理算法。此外,从数据中提取纯像素。最后,运动和感觉神经是由最大似然分类算法。因此,一个特定的方法收集运动和感觉神经的显微高光谱技术提出了在这个研究。对收集到的图像的预处理和特征提取,给出最优方案。在这项研究中,一种算法具有高灵敏度,高分类速度,并为神经分类,提出了高精度和需进一步研究的可行性。在某种程度上,研究显微光谱技术的应用在运动和感觉神经分类丰富,以便为临床神经修复和诊断提供更多的可能性。它可以作为一个补充传统的神经诊断方法。所有的实验研究中保持标本的阶段和有限长度和标本,所以他们并不全面和深入。 Further in-depth and comprehensive studies are needed if it is to be applied in clinical practice.

5。结论

在这项研究中,应用自主研发的显微高光谱系统收集的数据前和脊髓后根白色的兔子。然后,联合校正的图像预处理算法,提取和纯像素数据。最后,运动和感觉神经是由最大似然分类算法。分类方法具有高灵敏度、高速度和高精度的运动和感觉神经分类提出了在这项研究中,和它的可行性探索。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。