專利名稱：用近紅外測量作無創(chuàng)傷性體內(nèi)組織分類的制作方法
發(fā)明
背景技術(shù)：
領(lǐng)域本發(fā)明涉及生物組織分類，尤其涉及用無創(chuàng)傷性體內(nèi)近紅外測量分類組織所述的方法。
現(xiàn)有技術(shù)說明在生物醫(yī)學(xué)領(lǐng)域內(nèi)，檢查人體組織的結(jié)構(gòu)與狀態(tài)可得出有關(guān)人體的重要信息，例如有無疾病、老化或環(huán)境影響。數(shù)十年來，活組織檢驗一直是一種極重要的診斷法。另外，組織研究通常根據(jù)組織的構(gòu)成與化學(xué)特性對個體分級。例如，轉(zhuǎn)基因鼠在生物醫(yī)學(xué)研究中扮演著重要的角色，因為對其基因型插入外來基因很容易誘發(fā)期望的顯型與基因型特征，為研究特殊的科學(xué)難題提供了優(yōu)化的動物模型(見E.Wolfe，R.Wanke，”Growth hormone overproduction in transgenic micephenotypic alterations and deducedanimal models”Welfare of Transgenic AnimalsSpringer-VerlagHeidelberg(1996).Experimental Model for Growth ResearchClinical andPathological Studies，Hormone Research，vol.37，pp.74-87(1992))。這類方法會損傷動物。此外，活組織檢查法處理不便，要有幾個人參與?；瘜W(xué)分析技術(shù)很昂貴而且費(fèi)時，要獲得所需的信息要應(yīng)用幾種不同的實驗方法，歷時數(shù)天甚至幾星期。在樣本遭到組織檢查法固有的傷害時，也無法獲得有關(guān)體內(nèi)結(jié)構(gòu)與組織狀態(tài)完全準(zhǔn)確的信息。能迅速地評估組織體內(nèi)的狀態(tài)與結(jié)構(gòu)而不依賴于活組織檢查與化學(xué)分析技術(shù)，將是一個技術(shù)上的突破。
近紅外(NIR)光譜學(xué)是一種有前途的無創(chuàng)傷性技術(shù)，它的測量基于透射入受驗者的低能NIR光的吸收度。光在皮膚小面積上聚集，并通過皮下組織傳播，分光儀檢測到的反射或透射的光，提供有關(guān)被穿透的組織的結(jié)構(gòu)與化學(xué)特性的信息。光在各波長的吸收度是組織的結(jié)構(gòu)與化學(xué)特性的函數(shù)。然而，由于當(dāng)前的模型不能補(bǔ)償樣本(受驗者的皮膚與活組織)因化學(xué)、結(jié)構(gòu)和生理變化而造成的光學(xué)特性劇變所引起的復(fù)雜性與難度，所以用來作精確的無創(chuàng)傷性組織分類的NIR光譜學(xué)的應(yīng)用還受到限制。各自包括一種獨(dú)特不均一粒狀分布的組織層，通過散射與吸收影響著光吸收度。諸如水、蛋白質(zhì)、脂肪與血液分析物的化學(xué)成分吸收的光通過獨(dú)特的吸收分布曲線或特征譜與其濃度成比例關(guān)系。
當(dāng)前申請的原始申請，即S.Malin、T.Ruchti于1999年7月22日提出的題為“An Intelligent System for Noninvasive Blood AnalytePrediction”的美國專利申請序號09/359,191，揭示了一種利用NIR譜測量預(yù)測血液分析物濃度所述的方法與設(shè)備，通過一種智能圖形識別系統(tǒng)補(bǔ)償光譜干擾物質(zhì)協(xié)變、樣本不均一性、狀態(tài)變化和結(jié)構(gòu)變化。這里揭示的本發(fā)明則提供一種按照化學(xué)與結(jié)構(gòu)特性對組織樣本分類的無創(chuàng)傷性方法。

發(fā)明內(nèi)容
這里揭示的本發(fā)明提供一種應(yīng)用NIR譜測量的無創(chuàng)傷性體內(nèi)方法，按照化學(xué)與結(jié)構(gòu)特性對組織分類。組織分類模型利用一群示例個體的NIR譜吸收測量建立。譜測量經(jīng)評估，可識別最能代表組織類型差別的有關(guān)特征。為了增強(qiáng)有關(guān)特征并提取這些代表組織內(nèi)變化的特征，應(yīng)用了統(tǒng)計分析技術(shù)。分類例行程序確定的最佳模型，根據(jù)組織類型的差別在示例群體內(nèi)規(guī)定等級，使等級內(nèi)的變化比等級間的變化小。判斷規(guī)則根據(jù)各個體組織的結(jié)構(gòu)與化學(xué)特性，對代表性群體中各成員指定等級成員資格。
在應(yīng)用NIR譜測量對各組織樣本分類的無創(chuàng)傷性體內(nèi)組織分類方法中，應(yīng)用了揭示的組織分類模型。該分類模型定義諸等級，而且提出一組示例數(shù)據(jù)，能把測試對象分成任何事先由該分類模型定義的等級。
在揭示的本發(fā)明一較佳實施例中，根據(jù)皮下組織的脂肪成分變化，將轉(zhuǎn)基因鼠的樣本與非轉(zhuǎn)基因樣本區(qū)別開來。揭示所述的方法以90％的精度正確地劃分諸樣本。
附圖簡介


圖1是表示本發(fā)明組織樣本分類一般操作步驟的流程圖；圖2的曲線繪出一群轉(zhuǎn)基因生長激素鼠與一個非轉(zhuǎn)基因鼠的平均NIR譜，按本發(fā)明識別出1100～1350nm波長區(qū)的第一有關(guān)特征和1600～1880nm的第二有關(guān)特征；
圖3的曲線按本發(fā)明把圖2平均NIR譜內(nèi)有關(guān)特征的吸收帶與動物脂肪樣本的吸收帶作比較；圖4的曲線表示由本發(fā)明的散射校正增強(qiáng)的圖2的有關(guān)特征；圖5的散射曲線表示本發(fā)明對圖2的第二有關(guān)特征作“主成分分析”而得到的第二主成分的因數(shù)記分；和圖6的曲線是本發(fā)明圖5中第二主成分與圖3中動物脂肪譜的因數(shù)負(fù)載。
詳細(xì)描述生物組織的各種特征可用NIR光譜法測量，因為這些特征通常在NIR波長區(qū)(700～2500nm)內(nèi)具有其吸收與散射特性造成的唯一特征譜。這些特征中許多按組織類型而變化，因而便于將組織分為獨(dú)立的類型。可用NIR吸收與散射圖形測量的有用特征，包括但不限于脂肪組織厚度、組織水合作用、蛋白質(zhì)吸收幅值、組織散射特性、皮膚厚度、溫度相關(guān)效應(yīng)、老化相關(guān)效應(yīng)、性別相關(guān)譜特性、光徑長度估值、組織中血液容量分?jǐn)?shù)、環(huán)境影響相關(guān)譜特性與血球比容度。按組織類型變化的特征可利用統(tǒng)計技術(shù)同組織樣本譜隔離開來，然后相應(yīng)地對樣本分類。
組織分類模型的研制這里描述一種按化學(xué)、生理和結(jié)構(gòu)差異對組織樣本分類的無創(chuàng)傷性體內(nèi)方法。該分類模型應(yīng)用NIR測量來量化組織樣本的化學(xué)、結(jié)構(gòu)或生理特性。
圖1提出的一般方法流程圖可用于建立分類模型。一般而言，研制分類模型的算法包括以下步驟1.提供示例性NIR測量值(11)；2.譜特征選擇(12)；3.特征增強(qiáng)(13)；4.特征提取(14)；5.系數(shù)選擇(15)；6.分類校正(16)；7.應(yīng)用判斷規(guī)則(17)；8.成群指定(18)。
測量首先獲取一群示例受驗者的NIR測量值(11)。運(yùn)用眾所周知所述的方法為本方法準(zhǔn)備好個體。在動物受驗者情況下，可能要對受驗者作麻醉或使其固定不動。還希望制備被觀測的樣本表面，以盡量減小表面不規(guī)則引起的譜干擾，如要求除掉動物受驗者的表面毛發(fā)。使用檢測近紅外波長區(qū)(700～2500nm)光的分光儀收集NIR測量值。NIR測量值可用各種單位表達(dá)，其中有反射度單位和負(fù)的基數(shù)為10的對數(shù)反射度單位。本發(fā)明方法可以應(yīng)用各種市售的NIR分光儀，如Nicolet Magna-IR 760或Perstorp Analytical NIRS5000，但為了更全面地描述適合本發(fā)明實施的儀器，可參照本申請的原始申請中的
圖19，該申請是S.Malin，T.Ruchti于1999年7月22日提交的美國專利申請連續(xù)號09/359,191，題為“An Intelligent System for NoninvasiveBlood Analyte Prediction”。樣本測量值或組織吸收譜是吸收值矢量m∈RN，從屬于一組跨越近紅外波長區(qū)(700～2500nm)的N個波長λ∈RN。
特征選擇譜特征選擇(12)可以包括定性評估樣本譜，以識別從中可找出隨組織類型變化的譜區(qū)或有關(guān)特征。在波長區(qū)邊界處截去光譜，這里呈現(xiàn)的組織特定變化可減少數(shù)據(jù)組的復(fù)雜性與維數(shù)。通過減少數(shù)據(jù)組的維數(shù)，實現(xiàn)的數(shù)據(jù)減少可提高分類模型的預(yù)測能力。通過把樣本譜與例如蛋白質(zhì)或脂肪的已知譜吸收圖形比較，有助于特征選擇。在識別出一個或多個含組織特定信息的波長區(qū)之后，分類模型只使用這些選擇的區(qū)域。
特征增強(qiáng)一旦識別出有關(guān)特征，就對譜測量值應(yīng)用特征增強(qiáng)法(13)。雖然NIR反射測量與組織樣本的化學(xué)和結(jié)構(gòu)特征相關(guān)，但是相關(guān)是非線性的，大部分原因在于譜測量值被光散射沖淡了(見P.Geladi，D.MacDougall，H.Martens，Linearization and Scatter Correction for Near-infrared ReflectanceSpectra of Meat，Applied Spectroscopy.Vol.39，pp.491-500(1985))。應(yīng)用諸如多重散射校正(MSC)技術(shù)的特征增強(qiáng)，可校正目標(biāo)組織溶劑的散射特性變化而造成的干涉譜變化。在本申請的原始申請中(S.Malin，T.Ruchti于1999年7月22日提交的題為“An Intelligent System for NoninvasiveBlood Analyte Prediction”的美國專利申請連續(xù)號09/359,191)，揭示了一種應(yīng)用MSC的特征增強(qiáng)法。各樣本的散射評估方法是轉(zhuǎn)動樣本譜，使之按下式與參考譜m相配m＝a+bm+e (1)其中a與b是斜率和截距，e代表擬合誤差。然后，通過下式校正該光譜x=(m-a)b---(2)]]>其中x是處理過的吸收譜。這樣，各樣本的譜均實現(xiàn)了標(biāo)準(zhǔn)化，所有樣本都相對于參考譜歸一化(還可見B.Wise and N.Gallagher，PLS Toolbox2.0，Eigenvector Research，Inc.Manson(1998))當(dāng)有關(guān)特征是組織中吸收物種造成的或者組織特定參數(shù)具有不同譜形狀時，也可對有關(guān)特征附近的波長區(qū)應(yīng)用MSC。校正鄰區(qū)散射會使不校正波長區(qū)中的特性形狀被放大，這樣就有效增強(qiáng)了目標(biāo)化學(xué)與結(jié)構(gòu)特征。
特征提取特征增強(qiáng)后，用特征提取法提取那些有關(guān)分類的特征。特征提取可用能增強(qiáng)供說明樣本測量的質(zhì)量或狀態(tài)的任何數(shù)學(xué)變換實現(xiàn)，旨在簡明地表示組織測量部位的化學(xué)與結(jié)構(gòu)特性和生理狀態(tài)。
對特征增強(qiáng)的數(shù)據(jù)應(yīng)用較佳的特征提取法，即主成分分析法(PCA)(14)。PCA把多維數(shù)據(jù)分解成排序的因數(shù)，表示該數(shù)據(jù)組內(nèi)潛在的變化(見R.Johnsonand D.Wichern，Applied Multivariate Statistical Analysis，3rd.ed.；Prentice-Hall，New Jersey(1992))。這些因素稱為主成分。第一主成分代表數(shù)據(jù)中最主要的變化，第二主成分代表第二重要的變化，第三主成分代表第三重要的變化，依次類推。主成分或主因數(shù)代表數(shù)據(jù)中抽象或簡明特征。由因數(shù)表示的抽象特征不一定具有與物理系統(tǒng)相關(guān)的特定說明。具體而言，主成分分析記分是有用的特征，雖然并不總是明白其物理解釋。然而，簡明特征可通過事先了解該樣本而得出，能與物理現(xiàn)象直接相關(guān)。例如，蛋白質(zhì)與脂肪的已知吸收特征譜可用來測定它們對組織譜吸收度的貢獻(xiàn)。測得的貢獻(xiàn)一般用作某一特征，通過一單值代表潛在的變量。
事先了解組織樣本有助于選擇與該組織的物理現(xiàn)象直接相關(guān)的特征。特征可通過下式直接用散射校正的測量值導(dǎo)出的矢量z∈RM表示z=f(e··,x)---(3)]]>其中fRn→Rm是測量空間到特征空間的映射。分解f(·)得出特定的變化，fi(·)Rn→Rmi，用于測定特定的特征。維數(shù)Mi指明第i個特征是標(biāo)量還是矢量，而所有特征和起來就是矢量z。通過減少復(fù)雜譜變化的維數(shù)而得出的特征，很有利于組織分類處理。因此，特征提取允許特征標(biāo)識代表直接歸因于物理現(xiàn)象的變化并排除所有其它變化，從而把高維數(shù)的難題進(jìn)一步減為少量便于管理的維數(shù)。
因數(shù)選擇通過目察因數(shù)分析得出的因數(shù)負(fù)載和記分，選擇與分類模型有關(guān)的因數(shù)(15)。如上所述，對表示為數(shù)據(jù)矩陣的散射校正的數(shù)據(jù)組作PCA，把數(shù)據(jù)變化納入因數(shù)或主成分。對于代表組織特定特征的因數(shù)或主成分，把對應(yīng)的因數(shù)記分按組織類型分組，而對應(yīng)的因數(shù)負(fù)載指示對組織特定變化負(fù)責(zé)的特征。在因數(shù)記分表示成散射曲線時，經(jīng)簡單目察就能看出有關(guān)的因數(shù)和主成分。
分類校正對組織特定因數(shù)的記分應(yīng)用有判斷規(guī)則的分類程序(即Fisher線性判別式分析)(16)。分類程序基于某種判別函數(shù)，在最大化時，找出代表群體分類的最佳模型(見R.Duda與P.Hart，Pattern Classification and Scene Analysis，JohnWiley and Sons，New York(1973))。Fisher線性判別式分析(LDA)是用于該分類模型的較佳程序。LDA在兩群之間找出使等級間變化最大而等級內(nèi)變化最小的線。LDA判別函數(shù)為J(w)=w′Sbww′Sww---(4)]]>其中w是定向單元矢量，Sb是等級間散射矩陣，Sw為等級內(nèi)散射矩陣。矢量w選成使等級間變化與等級內(nèi)變化之比最大。把樣本投射到w上，進(jìn)一步減小該問題的維數(shù)(見R.Duda與P.Hart，Pattern Classification and SceneAnalysis，John Wiley and Sons，New York(1973))。應(yīng)用該判別函數(shù)，根據(jù)前M個記分對樣本分類。在下述較佳實現(xiàn)方式中，M＝3。本領(lǐng)域技術(shù)人員知道還可用其它分類法。
判斷規(guī)則建立的判斷規(guī)則(17)用于確定樣本的所屬等級。判斷規(guī)則用來確定樣本的等級成員資格的判別式是，樣本在w上的投射(標(biāo)量)，是大于還是小于這兩群均值的平均值(見R.Johnson and D.Wichern，Applied MultivariateStatistical Analysis，3rd.ed.；Prentice-Hall，New Jersey(1992))。標(biāo)量L與等級界限I作比較，若L＞L，樣本定為群1(18)，否則定為群2(18)。
組織樣本的分類在本申請的原始申請中(S.Malin，T.Ruchti在1999年7月22日提交的題為“An Intelligent System for Noninvasive Blood Analyte Prediction”的美國專利申請序號09/359,191)，詳述了揭示的分類模型對實際組織樣本分類的實施情況。一般而言，組織分類的操作步驟是1.NIR測量2.特征提取3.圖形分類4.等級成員資格指定。
對新樣本獲取一組吸收度值，這些值屬于一組跨越近紅外(700～2500nm)的波長。為了削弱光散射、噪聲與儀器變化引起的誤差而不影響有關(guān)信號，對光譜測量值作預(yù)處理。前述的特征提取包括應(yīng)用任一種能隔離有利于解釋的樣本特定狀態(tài)或質(zhì)量的數(shù)學(xué)變換。通過應(yīng)用一種或多種多重分析法，如主成分分析、局部最小平方或人工神經(jīng)網(wǎng)絡(luò)，完成特征提取。提取的特征與一組預(yù)定等級數(shù)據(jù)比較并測出相似性。判斷規(guī)則應(yīng)用判別函數(shù)指定等級成員資格。
實驗結(jié)果引言在本發(fā)明一較佳實施例中，這里揭示的算法適用于把一群生長激素轉(zhuǎn)基因鼠與一群非轉(zhuǎn)基因控制鼠分離開來。所描述的本實施例專用于轉(zhuǎn)基因鼠。然而，本發(fā)明適用于對可作精確光譜測量的其它物種的其它組織分類。
生長激素轉(zhuǎn)基因鼠具有在啟動基因控制下插入其基因組的外來生長激素基因?？刂剖蠛娃D(zhuǎn)基因鼠是同窩出生的，因而除了轉(zhuǎn)基因個體里存在生長激素基因外，其它與生長激素鼠在遺傳上相同。外來生長激素基因的存在使受驗動物產(chǎn)生過量的生長激素。與非轉(zhuǎn)基因鼠相比，轉(zhuǎn)基因生長激素鼠呈現(xiàn)眾多從屬于過量產(chǎn)生生長激素的顯型效應(yīng)，如骨架龐大、內(nèi)臟器官過大、體重增加和各種特性的組織異常(見Wolf等人，還可見R.Wanke，E.Wolf，W.Hermanns，S.Folger，T.Buchmüller，G.BremThe GH-Transgenic Mouseas an Experimental model for Growth ResearchClinical and PathologicalStudies，Hormone Research.vol.37，pp.74-87(1992))。
方法運(yùn)用漫反射光譜法對一群14只鼠作NIR測量，這群鼠包括8只生長激素鼠和6只控制鼠。從每只鼠腹部收集四次同樣的觀測結(jié)果，每天一次，歷時三天。測量前，用可注射的麻醉劑麻醉鼠，并用動物剪刀修整，以防受驗體毛發(fā)影響光譜測量。三天內(nèi)，每天從各群動物中選擇動物，按隨機(jī)順序作觀測。該測量應(yīng)用前述的分光儀裝置。
應(yīng)用眾所周知的統(tǒng)計方法，根據(jù)原始光譜數(shù)據(jù)計算兩群受驗體中每一群的平均光譜。圖2示出生長激素鼠(21)與控制鼠(22)的平均譜。目察光譜(21和22)示出兩波長區(qū)中有發(fā)散。第一個有關(guān)特征(23)表明控制鼠在1100～1350nm波長區(qū)中有一吸收帶。第二個有關(guān)特征(24)表明在控制鼠光譜中的1600～1880nm波長區(qū)內(nèi)有一吸收帶。與控制鼠不同，轉(zhuǎn)基因受驗體沒有這種吸收帶。
圖3示出在兩個標(biāo)識的波長區(qū)內(nèi)(有關(guān)特征)，兩群鼠的平均譜(31與32)與純動物脂肪譜樣本(33)的比較結(jié)果。動物脂肪譜清楚地示出1100～1350nm波長區(qū)的第一吸收帶(34)和1600～1880nm波長區(qū)的第二(35)與第三(36)吸收帶?？刂迫旱钠骄V的第一吸收帶(37)和第二與第三吸收帶(38、39)反映了脂肪譜的諸吸收帶(34、35、36)。同時，轉(zhuǎn)基因GH群的平均譜沒有類似的吸收帶，說明這兩群鼠的光譜差異是組織的脂肪成分差異引起的。
為增強(qiáng)有關(guān)特征，應(yīng)用了前述的多重散射校正法(MSC)。圖4示出散射校正的譜數(shù)據(jù)曲線。由該散射校正譜可見，把觀察的吸收帶表示成該群樣本內(nèi)的變化度。大部分樣本不呈現(xiàn)明顯的吸收帶，而其它樣本有顯著的吸收帶。
在1100～1350nm和1600～1850nm波長區(qū)內(nèi)，對散射校正的數(shù)據(jù)作主成分分析。目察得出的因數(shù)記分示出第二主成分很重要。如圖5所示，第二主成分的因數(shù)記分整齊地分成對應(yīng)于兩群鼠的兩組(51、52)。圖6曲線清楚地示出動物脂肪譜的吸收帶與主成分2負(fù)載的相關(guān)性，顯然，兩鼠群間的分離是組織脂肪成分。
為定義一合適的分類模型，對前三個主要成分記分作Fisher線性判別分析，使等級內(nèi)變化最小，等級間變化最大。
在證實分類校準(zhǔn)中使用“略去一”交叉證實法，即尤其適用于少量數(shù)據(jù)組的校準(zhǔn)程序。對這種分析，應(yīng)用了迭代處理，其中把一個樣本排除出數(shù)據(jù)組，用其余樣本作校準(zhǔn)，并用得到的校準(zhǔn)預(yù)測排除在外的樣本。該過程重復(fù)進(jìn)行，直到所有的樣本都被略去和預(yù)測過。
結(jié)果校準(zhǔn)程序的結(jié)果列于表1。
表1交叉證實分類結(jié)果

共檢查171個光譜樣本，GH轉(zhuǎn)基因個體譜樣本99個，控制樣本72個。在這些樣本中，99個或100％轉(zhuǎn)基因樣本分類正確；54個或72％控制樣本分類正確，因而該算法對每群樣本正確分類的精度為90％。而鼠群按其組織的化學(xué)與結(jié)構(gòu)差別分類，不憑借入侵活組織檢查法。數(shù)據(jù)便于一個人收集，可以發(fā)展在線分類，與常規(guī)法要求數(shù)天或幾星期相比，只稍幾分鐘。
討論雖然該實施例針對按組織結(jié)構(gòu)與化學(xué)差異對鼠進(jìn)行分類，但是本領(lǐng)域技術(shù)人員顯然明白，利用NIR測量指示組織中的化學(xué)、結(jié)構(gòu)與生理變化可應(yīng)用于其它領(lǐng)域，如無創(chuàng)傷性血液分析物預(yù)測、傷口愈合研究與皮膚病治療。
這里描述的等級定義限于一群特定的受驗體，不能通用于所有的受驗體。適合所有受驗體的分類模型包括有足夠數(shù)量的樣本，對特定組織參數(shù)模擬成群變化的總范圍。雖然本實施例應(yīng)用了特定數(shù)量的特征、等級、判斷規(guī)則和分類模型，但是本發(fā)明可在每一結(jié)構(gòu)中用任意數(shù)量的分類組織樣本。實驗結(jié)果證明了本發(fā)明的有效性與有益性，但是得出的精度直接取決于譜測量精度。通過改進(jìn)噪聲電平與分光儀的分辨度，可進(jìn)一步提高結(jié)果精度。
雖然這里參照某些實施例描述了本發(fā)明，但是本領(lǐng)域技術(shù)人員顯然明白，可用其它應(yīng)用代替這里提出的應(yīng)用而不違背本發(fā)明的精神與范圍，因此本發(fā)明只受制于下面所包括的諸權(quán)利要求。
權(quán)利要求
1.一種為組織樣本分類研制分類模型的方法，其特征在于包括以下步驟提供一群示例受驗體的一組光譜吸收測量值；在所述光譜測量值內(nèi)選擇一個或多個有關(guān)特征，其中可發(fā)現(xiàn)按組織類型的變化；增強(qiáng)所述有關(guān)特征；提取至少一個與分類有關(guān)的有關(guān)特征；選擇與所述樣本的結(jié)構(gòu)與化學(xué)特性相關(guān)的所述有關(guān)特征的因數(shù)；根據(jù)結(jié)構(gòu)與狀態(tài)相似性定義所述組織樣本的等級，其中級內(nèi)變化比級間變化??；和指定等級成員資格。
2.如權(quán)利要求1所述的方法，其特征在于把每個所述測得的吸收譜表示為吸收值矢量m∈RN，它從屬于一組跨越700～2500nm波長區(qū)的N個波長λ∈RN。
3.如權(quán)利要求1所述的方法，其特征在于所述特征選擇步驟還包括步驟目察所述樣本譜；把所述樣本譜與已知譜吸收圖形作比較；根據(jù)所述樣本譜與所述已知譜吸收圖形之間觀察到的相似形，選擇所述有關(guān)特征；和在所述選擇的有關(guān)特征的邊界處截去所述樣本譜。
4.如權(quán)利要求1所述的方法，其特征在于所述特征增強(qiáng)步驟應(yīng)用對光散射校正所述樣本譜的手段。
5.如權(quán)利要求4所述的方法，其特征在于所述校正所述譜的手段包括多重散射校正。
6.如權(quán)利要求5所述的方法，其特征在于評估每個所述樣本譜的散射的方法是按下式將所述樣本譜轉(zhuǎn)到參考譜m，m＝a+bm+e其中a與b是斜率和截距，e為擬合誤差；各所述譜由下式校正x=(m-a)b]]>其中x是校正的吸收譜。
7.如權(quán)利要求1所述的方法，其特征在于所述特征提取步驟還包括步驟應(yīng)用某種數(shù)學(xué)變換，把所述特征增強(qiáng)的樣本譜分解成不同的因數(shù)，代替數(shù)據(jù)組內(nèi)潛在的變化；應(yīng)用基于因數(shù)的方法確定哪些所述因數(shù)可歸因于已知的譜吸收圖形；和把測得的所述已知譜吸收圖形的貢獻(xiàn)包括到樣本譜吸收里作為特征。
8.如權(quán)利要求7所述的方法，其特征在于通過下式由矢量z∈RM中的所述散射校正測量值表示所述提取的特征z=f(e··,x)]]>fRn→Rm為測量空間到特征空間的映射；其中分解f(·)得出特定變換fi(·)Rn→Rmi，由此確定專用因數(shù)；維數(shù)Mi指示第i個因數(shù)是標(biāo)量還是矢量；所有所述因數(shù)的集合就是矢量z。
9.如權(quán)利要求8所述的方法，其特征在于還包括步驟將表示為矢量的因數(shù)包括在數(shù)據(jù)組里；從數(shù)據(jù)組里排除那些表示為標(biāo)量的因數(shù)。
10.如權(quán)利要求1所述的方法，其特征在于所述因數(shù)選擇步驟還包括步驟把所述樣本譜內(nèi)的變化表示為因數(shù)負(fù)載；和把特定樣本對所述譜變化的權(quán)重表示為對應(yīng)于所述因數(shù)負(fù)載的因數(shù)記分。
11.如權(quán)利要求10所述的方法，其特征在于一組所述因數(shù)記分代表隨組織類型的變化，而所述因數(shù)負(fù)載代表對組織特定變化負(fù)責(zé)的某一特征。
12.如權(quán)利要求1所述的方法，其特征在于所述分類校正步驟應(yīng)用定義等級的手段，使級內(nèi)變化最小，級間變化最大。
13.如權(quán)利要求12所述的方法，其特征在于所述定義等級的手段包括線性判別分析。
14.如權(quán)利要求13所述的方法，其特征在于所述判別分析應(yīng)用了判別函數(shù)J(w)=w′Sbww′Sww]]>其中w是定向單元矢量，Sb為等級間散射矩陣，Sw為級內(nèi)散射矩陣，其中矢量w選成使級間變化與級內(nèi)變化之比最大，所述矢量w代表級間分離。
15.如權(quán)利要求14所述的方法，其特征在于還包括步驟根據(jù)前M個記分應(yīng)用所述判別函數(shù)，其中M為任意數(shù)，各所述樣本投射到所述矢量w上，在所述矢量w上的所述投射為標(biāo)量。
16.如權(quán)利要求15所述的方法，其特征在于所述判斷規(guī)則把所述樣本的所述標(biāo)量表示為L，而L代表所述等級間的邊界；和根據(jù)條件L＞L，指定為第一級；和根據(jù)條件L＜L，指定為第二級。
17.一種組織分類的方法，其特征在于包括以下步驟提供測試受驗體的一組新的譜吸收測量值；提取對應(yīng)于組織特定變化的特征；圖形分類，其中分類模型將所述提取的特征與一組示例測量值作比較；和應(yīng)用判斷規(guī)則指定等級成員資格。
18.如權(quán)利要求17所述的方法，其特征在于所述特征提取步驟包括任一種為解釋而增強(qiáng)樣本測量質(zhì)量或狀態(tài)的數(shù)學(xué)變換，以簡明地表示組織測量部位的結(jié)構(gòu)特性與生理狀態(tài)，其中用得到的一組特征分類受驗體。
19.如權(quán)利要求17所述的方法，其特征在于所述分類模型包括以預(yù)定等級確定一組相似性測量的手段。
20.如權(quán)利要求17所述的方法，其特征在于所述判斷規(guī)則包括根據(jù)一組判斷引擎計算的測量值指定等級成員資格的手段。
21.如權(quán)利要求19所述的方法，其特征在于還包括步驟提供一分類系統(tǒng)，所述系統(tǒng)假定所述等級都各不相同，并迫使各測量值被定為單一等級。
22.如權(quán)利要求21所述的方法，其特征在于所述特征表示為矢量z∈RM，并由下式確定z＝f(λ，x)其中fRN→RM是測量空間到特征空間的映射，分解f(·)得出特定變換，fiRN→RM用于測定專用特征，其中維數(shù)Mi指示第i個特征是標(biāo)量還是矢量，所有特征的集合就是矢量z，當(dāng)某一特征被表示成矢量或圖形時，所述特征就呈現(xiàn)出指示某種潛在物理現(xiàn)象的某種結(jié)構(gòu)。
23.如權(quán)利要求17所述的方法，其特征在于所述圖形分類步驟還包括步驟測量某一特征與預(yù)定等級的相似性；和指定等級成員資格。
24.如權(quán)利要求23所述的方法，其特征在于所述測量步驟應(yīng)用各不相同的等級，并把各測量值指定為一個等級。
25.如權(quán)利要求24所述的方法，其特征在于還包括步驟用測量值與等級指定來確定特征到等級指定的映射。
26.一種分類模型研制方法，所述模型根據(jù)組織的脂肪成分區(qū)分轉(zhuǎn)基因鼠與非轉(zhuǎn)基因鼠，其特征在于所述方法包括以下步驟提供一群示例受驗動物的一組譜吸收測量值；在所述譜測量值內(nèi)選擇一個或多個有關(guān)特征，其中可發(fā)現(xiàn)隨組織類型的變化；增強(qiáng)所述有關(guān)特征；提取至少一個與分類有關(guān)的有關(guān)特征；選擇與所述樣本的結(jié)構(gòu)與化學(xué)特性相關(guān)的所述有關(guān)特征的因數(shù)；按結(jié)構(gòu)與狀態(tài)相似性定義所述組織樣本的等級，其中級內(nèi)變化比級間變化?。缓椭付ǖ燃壋蓡T資格。
27.如權(quán)利要求26所述的方法，其特征在于所述轉(zhuǎn)基因鼠是外來生長激素轉(zhuǎn)基因鼠。
28.如權(quán)利要求26所述的方法，其特征在于將每個所述測量的吸收譜表示成吸收值的矢量m∈RN，它屬于一組跨越700～2500nm波長區(qū)的N個波長λ∈RN。
29.如權(quán)利要求26所述的方法，其特征在于所述特征提取步驟還包括以下步驟目察所述樣本譜；將所述樣本譜與動物脂肪譜吸收圖作比較；根據(jù)在所述樣本譜與所述動物脂肪譜吸收圖之間觀察到的相似性選擇所述有關(guān)特征；和在所述選擇的有關(guān)特征的邊界處截去所述樣本譜。
30.如權(quán)利要求26所述的方法，其特征在于所述特征增強(qiáng)步驟應(yīng)用對光散射校正所述樣本譜的手段。
31.如權(quán)利要求30所述的方法，其特征在于所述校正所述譜的手段包括多重散射校正。
32.如權(quán)利要求31所述的方法，其特征在于各所述樣本譜的散射評估方法是按下式把所述樣本譜轉(zhuǎn)到參照譜mm＝a+bm+e其中a與b是斜率和截距，e為擬合誤差；各所述譜由下式校正x=(m-a)b]]>其中x是校正的吸收譜。
33.如權(quán)利要求17所述的方法，其特征在于所述特征提取步驟還包括以下步驟應(yīng)用數(shù)學(xué)變化，把所述特征增強(qiáng)的樣本譜分解成代表數(shù)據(jù)組內(nèi)潛在變化的不同因數(shù)；用基于因數(shù)的方法確定哪些所述因數(shù)可歸因于所述動物脂肪譜吸收圖；和把測得的所述動物脂肪譜吸收圖的貢獻(xiàn)包括到樣本譜吸收度里作為特征。
34．如權(quán)利要求33所述的方法，其特征在于通過下式由z∈RM中的所述散射校正測量值表示所述提取的特征z=f(e··,x),]]>fRn→Rm為測量空間到特征空間的映射，其中分解f(·)得出特定變換，fi(·)Rn→Rmi，由此確定專用因數(shù)；維數(shù)Mi指示第i因數(shù)是標(biāo)量還是矢量，所有所述因數(shù)的集合就是矢量z。
35.如權(quán)利要求34所述的方法，其特征在于所述因數(shù)負(fù)載代表隨組織脂肪成分的變化，而所述因數(shù)的記分基于組織的脂肪成分標(biāo)識不同的受驗體等級。
36.如權(quán)利要求26所述的方法，其特征在于所述等級定義步驟根據(jù)隨組織內(nèi)脂肪成分的變化對所述受驗群規(guī)定等級，使級內(nèi)變化最小，級間變化最大。
37.如權(quán)利要求26所述的方法，其特征在于所述等級指定步驟用判斷規(guī)則對所述樣本群個體指定成員資格。
38.一種根據(jù)隨組織內(nèi)脂肪成分變化而區(qū)分轉(zhuǎn)基因鼠與非轉(zhuǎn)基因鼠的方法，其特征在于包括以下步驟提供受驗體的一組新的譜吸收測量值；提取對應(yīng)于組織特定變化的特征；圖形分類，其中分類模型將所述提取的特征與一組示例測量值作比較；和應(yīng)用判斷規(guī)則指定等級成員資格。
39.如權(quán)利要求38所述的方法，其特征在于所述轉(zhuǎn)基因鼠是外來生長激素轉(zhuǎn)基因鼠。
40.如權(quán)利要求38所述的方法，其特征在于所述特征提取步驟包括任一種為解釋而增強(qiáng)樣本測量質(zhì)量或狀態(tài)的數(shù)學(xué)變換，以簡明地代表組織測量部位的結(jié)構(gòu)特性與生理狀態(tài)，其中用得到的一組特征按組織的脂肪成分對受驗體分類。
41.如權(quán)利要求38所述的方法，其特征在于所述分類模型包括以預(yù)定等級測定一組相似性測量值的手段。
42.如權(quán)利要求41所述的方法，其特征在于根據(jù)組織的脂肪成分定義所述等級。
43，如權(quán)利要求38所述的方法，其特征在于所述判斷規(guī)則包括根據(jù)一組判斷引擎計算的測量值指定等級成員資格的手段。
44.如權(quán)利要求41所述的方法，其特征在于還包括步驟提供一分類系統(tǒng)，所述系統(tǒng)假定所述等級各不相同，并迫使將各測量值被定為單一等級。
45.如權(quán)利要求44所述的方法，其特征在于所述特征表示成矢量z∈RM，并由下式確定z＝f(λ，x)其中fRN→RM是測量空間到特征空間的映射，分解f(·)得到特定變換，fiRN→RMi，用于確定專用特征，其中維數(shù)Mi指示第i特征是標(biāo)量還是矢量，所有特征的集合就是矢量z，當(dāng)某一特征被表示為矢量或圖形時，所述特征呈現(xiàn)指示按組織內(nèi)脂肪成分變化的某種結(jié)構(gòu)。
46.如權(quán)利要求38所述的方法，其特征在于所示圖形分類步驟還包括以下步驟測量特征與預(yù)定等級的相似性；和指定等級成員資格。
47.如權(quán)利要求46所述的方法，其特征在于所述預(yù)定等級是轉(zhuǎn)基因鼠和非轉(zhuǎn)基因鼠中的任一種。
48.如權(quán)利要求47所述的方法，其特征在于所述等級各不相同。
49.如權(quán)利要求48所述的方法，其特征在于還包括步驟用測量值和等級指定來確定特征到等級指定的映射。
全文摘要
本發(fā)明涉及使用近IR(NIR)譜測量進(jìn)行組織分類的體內(nèi)無創(chuàng)傷性方法。分類模型基于示例群體的NIR譜吸收測量。表示組織類型之間變化的譜特征是相同的。分析技術(shù)增強(qiáng)有關(guān)特征和校正譜干擾，以改進(jìn)分類模型的預(yù)測能力。分類程序根據(jù)組織類型之間的變化定義分類，使等級內(nèi)的變化小于等級間的變化。判定規(guī)則將示例群體中的各樣本指定給等級。體內(nèi)無創(chuàng)傷性方法將分類模型應(yīng)用于各組織樣本。本發(fā)明的較佳實施例根據(jù)肌肉組織中脂肪成分的變化區(qū)分轉(zhuǎn)基因鼠和非轉(zhuǎn)基因個體。
文檔編號C12M1/34GK1425130SQ00818485
公開日2003年6月18日 申請日期2000年12月4日 優(yōu)先權(quán)日2000年1月19日
發(fā)明者S·馬林, T·L·魯赫蒂, J·倫納特 申請人:三西斯醫(yī)學(xué)股份有限公司