CN117036821A - 一种基于激光拉曼光谱的单细胞快速检测鉴定方法 - Google Patents

Abstract

本申请公开了一种基于激光拉曼光谱的单细胞快速检测鉴定方法，通过预处理对待检测单细胞的激光拉曼光谱图像进行信号源域强化，并通过基于机器学习模型的特征提取器来进行光谱特征提取和分析以提高基于激光拉曼光谱的单细胞快速检测鉴定的精准度。

Description

一种基于激光拉曼光谱的单细胞快速检测鉴定方法

技术领域

本申请涉及智能检测领域，且更为具体地，涉及一种基于激光拉曼光谱的单细胞快速检测鉴定方法。

背景技术

基于激光拉曼光谱的单细胞快速检测鉴定方法是一种利用激光拉曼光谱技术对单个细胞进行快速检测和鉴定的方法。激光拉曼光谱是一种非侵入性的光谱分析技术，它可以通过激光激发样品，测量样品散射的光谱信息，从而获取样品的分子振动信息。每个分子都有独特的拉曼光谱特征，因此可以通过分析样品的拉曼光谱来确定其组成和结构。

但是，单细胞信号弱：单细胞的体积非常小，因此其产生的拉曼信号非常微弱，这使得检测和鉴定过程中需要克服信号噪声和背景干扰。同时，激光拉曼光谱技术生成的数据量庞大且复杂，需要提取有用的信息并进行准确的鉴定。

因此，期待一种优化的基于激光拉曼光谱的单细胞快速检测鉴定方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于激光拉曼光谱的单细胞快速检测鉴定方法，通过预处理对待检测单细胞的激光拉曼光谱图像进行信号源域强化，并通过基于机器学习模型的特征提取器来进行光谱特征提取和分析以提高基于激光拉曼光谱的单细胞快速检测鉴定的精准度。

根据本申请的一个方面，提供了一种基于激光拉曼光谱的单细胞快速检测鉴定方法，其包括：

获取待检测单细胞的激光拉曼光谱图像；

对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像；

以及基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签。

根据本申请的另一个方面，提供了一种基于激光拉曼光谱的单细胞快速检测鉴定系统，其包括：

图像获取模块，用于获取待检测单细胞的激光拉曼光谱图像；

图像预处理模块，用于对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像；

以及鉴定结果生成模块，用于基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签。

与现有技术相比，本申请提供的一种基于激光拉曼光谱的单细胞快速检测鉴定方法，通过预处理对待检测单细胞的激光拉曼光谱图像进行信号源域强化，并通过基于机器学习模型的特征提取器来进行光谱特征提取和分析以提高基于激光拉曼光谱的单细胞快速检测鉴定的精准度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的流程图；

图2为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的系统架构图；

图3为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的子步骤S2的流程图；

图4为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的子步骤S3的流程图；

图5为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的子步骤S31的流程图；

图6为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

应可以理解，单细胞信号弱：单细胞的体积非常小，因此其产生的拉曼信号非常微弱，这使得检测和鉴定过程中需要克服信号噪声和背景干扰。同时，激光拉曼光谱技术生成的数据量庞大且复杂，需要提取有用的信息并进行准确的鉴定。因此，期待一种优化的基于激光拉曼光谱的单细胞快速检测鉴定方案。

在本申请的技术方案中，提出了一种基于激光拉曼光谱的单细胞快速检测鉴定方法。图1为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的流程图。图2为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法的系统架构图。如图1和图2所示，根据本申请的实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法，包括步骤：S1，获取待检测单细胞的激光拉曼光谱图像；S2，对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像；以及，S3，基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签。

具体地，在步骤S1中，获取待检测单细胞的激光拉曼光谱图像。相应地，在单细胞快速检测鉴定方法中，首先需要将待检测的单个细胞固定在适当的基底上，以保持其形态和结构稳定。然后，使用激光器照射细胞，收集细胞散射的光谱信号，即，所述激光拉曼光谱图像。值得注意的是，激光拉曼光谱图像是一种用于研究物质分子结构和化学成分的分析技术。它基于拉曼散射效应，通过激光照射样品并测量散射光的频率和强度来获取样品的拉曼光谱信息。

根据本申请的实施例，可通过激光拉曼光谱仪来采集待检测单细胞的激光拉曼光谱图像。激光拉曼光谱仪是用于获取激光拉曼光谱数据的仪器。它通常由以下几个主要部件组成：激光源：激光拉曼光谱仪使用激光作为激发光源；光学系统：光学系统用于收集和聚焦激光光束，并将散射光引导到光谱仪的入口；光谱仪：光谱仪用于分离和检测散射光的不同波长成分；光敏探测器：光敏探测器用于测量散射光的强度；数据处理和分析系统：激光拉曼光谱仪通常配备有数据处理和分析系统，用于对获取的光谱数据进行处理和分析。

相应的，在一种可能的实现方式中，可通过以下步骤来获取待检测单细胞的激光拉曼光谱图像，例如：准备样品：首先需要准备待检测的单细胞样品。样品可以是细胞悬液、细胞培养物或细胞切片等。确保样品处理过程中的卫生和无污染；调整激光拉曼光谱仪：根据待检测样品的特性和要求，调整激光拉曼光谱仪的参数。包括选择合适的激光源、调整激光功率、选择适当的光学系统和光谱仪等；定位单细胞：使用显微镜或其他适当的方法，将待检测的单细胞定位在光谱仪的测量区域内。确保单细胞位于光束的焦点位置，以获得较高的信号强度和分辨率；激发激光：启动激光源，照射激光光束到待检测单细胞上。激光的波长和功率应根据样品的特性进行选择，以避免样品热损伤和光谱信号的干扰；收集散射光：使用光学系统将散射光收集并聚焦到光谱仪的入口。确保光线的准直和聚焦，以获得清晰的光谱信号；分散光谱：光谱仪将散射光分散成不同波长的光，通常使用光栅或干涉仪实现。这样可以获得样品的拉曼光谱信息，即不同波长处的光强度；探测光谱：使用光敏探测器检测分散后的光谱。光敏探测器将光信号转换为电信号，并通过放大和转换等处理得到最终的光谱数据；数据处理和分析：对获取的光谱数据进行处理和分析。可以使用专门的软件进行光谱峰值识别、峰位分析、峰面积计算等操作，以提取单细胞的化学信息。

具体地，在步骤S2中，对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像。也就是，通过预处理对待检测单细胞的激光拉曼光谱图像进行信号源域强化。具体地，在本申请一个具体的示例中，所述预处理包括去除背景噪声、光谱校正等步骤，以提高数据质量。特别地，在本申请的一个具体示例中，如图3所示，所述S2，包括：S21，去除所述激光拉曼光谱图像中的背景噪声以得到降噪后激光拉曼光谱图像；以及，S22，对所述降噪后激光拉曼光谱图像进行光谱校正以得到所述预处理后激光拉曼光谱图像。

相应地，所述S21，去除所述激光拉曼光谱图像中的背景噪声以得到降噪后激光拉曼光谱图像。在激光拉曼光谱图像中，背景噪声是指在采集过程中引入的干扰信号。这些干扰信号可以来自多种来源，如散射光、荧光、仪器噪声等。背景噪声会降低信号的质量和可靠性，影响对样品的准确分析。

相应的，在一种可能的实现方式中，可通过以下步骤去除所述激光拉曼光谱图像中的背景噪声以得到降噪后激光拉曼光谱图像，例如：采集一个不包含样品的背景光谱。这可以通过将激光照射到一个不含样品的区域或使用透明基底等方法来实现；将激光照射到待检测的样品上，记录样品的光谱信号；使用背景光谱对样品光谱进行校正。将背景光谱从样品光谱中减去，以消除背景噪声的影响；对校正后的光谱数据进行进一步处理，以降低噪声的影响。常见的处理方法包括平滑、去噪、基线校正等；评估降噪效果，可以使用各种指标，如信噪比（SNR）或峰值信噪比（PSNR），来衡量降噪后图像的质量。

相应地，所述S22，对所述降噪后激光拉曼光谱图像进行光谱校正以得到所述预处理后激光拉曼光谱图像。光谱校正是激光拉曼光谱图像处理中的重要步骤，用于调整光谱数据，使其更准确地反映样品的特征。

相应的，在一种可能的实现方式中，可通过以下步骤对所述降噪后激光拉曼光谱图像进行光谱校正以得到所述预处理后激光拉曼光谱图像。例如：选择一个已知的参考物质，其光谱特征已被广泛研究和记录。这个参考物质的光谱将用作校正光谱的基准；使用激光拉曼光谱仪获取参考物质的光谱数据。确保在相同的实验条件下进行，以保持一致性；对参考光谱进行预处理，以消除可能存在的噪声和干扰。这可以包括去除基线漂移、峰值对齐和平滑处理等；使用激光拉曼光谱仪获取待校正样品的光谱数据。确保在相同的实验条件下进行，以保持一致性；对待校正光谱进行预处理，以消除可能存在的噪声和干扰。这可以包括去除基线漂移、峰值对齐和平滑处理等；使用预处理后的参考光谱对待校正光谱进行校正。这可以通过将待校正光谱与参考光谱进行比较，然后进行光谱修正来实现；根据校正后的光谱数据，生成校正后的激光拉曼光谱图像。这个图像可以用于进一步的数据分析和解释。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像，例如：背景噪声去除：激光拉曼光谱图像通常会包含背景噪声，如荧光和散射光。去除背景噪声是预处理的关键步骤之一。常见的方法包括背景子traction、多项式拟合和小波变换等；基线校正：光谱图像中的基线漂移会对谱线的形状和强度产生影响。进行基线校正可以消除基线漂移，使谱线更清晰。常见的方法包括多项式拟合、局部加权回归和小波变换等；峰值对齐：在光谱图像中，不同样品或不同实验条件下的谱线位置可能存在微小的偏移。进行峰值对齐可以将谱线对齐，使它们在相同的波数位置上对应。常见的方法包括交叉相关和小波变换等；平滑处理：光谱图像中可能存在的噪声和细微波动会影响谱线的平滑度和连续性。进行平滑处理可以降低噪声，并使谱线更加平滑。常见的方法包括移动平均、高斯滤波和小波变换等；散射光补偿：激光拉曼光谱图像中的散射光会对信号强度产生干扰。进行散射光补偿可以减少散射光的影响，提高信号质量。常见的方法包括散射光子traction和散射光校正模型等；预处理后的光谱图像：根据进行了预处理的数据，生成预处理后的激光拉曼光谱图像。这个图像可以用于进一步的数据分析和解释。

具体地，在步骤S3中，基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签。特别地，在本申请的一个具体示例中，如图4所示，所述S3，包括：S31，从预处理后激光拉曼光谱图像提取激光拉曼光谱图像特征；以及，S32，将所述激光拉曼光谱图像特征通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签。

相应地，所述S31，从预处理后激光拉曼光谱图像提取激光拉曼光谱图像特征。特别地，在本申请的一个具体示例中，如图5所示，所述S31，包括：S311，将所述预处理后激光拉曼光谱图像通过基于卷积神经网络模型的特征提取器以得到激光拉曼光谱特征图；以及，S312，基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征。

所述S311，将所述预处理后激光拉曼光谱图像通过基于卷积神经网络模型的特征提取器以得到激光拉曼光谱特征图。也就是，基于机器学习模型的特征提取器来进行光谱特征提取和分析。具体地，在本申请一个具体的示例中，将所述预处理后激光拉曼光谱图像通过基于卷积神经网络模型的特征提取器以得到激光拉曼光谱特征图。也就是说，在该具体示例中，所述机器学习模型为基于卷积神经网络模型的特征提取器，本领域普通技术人员应知晓，卷积神经网络模型在图像特征提取方面具有优异性能表现，因此，其适用于所述预处理后激光拉曼光谱图像的图像光谱特征提取以得到所述激光拉曼光谱特征图。

根据本申请的实施例，将所述预处理后激光拉曼光谱图像通过基于卷积神经网络模型的特征提取器以得到激光拉曼光谱特征图，包括：使用所述基于卷积神经网络模型的特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及。对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的特征提取器的最后一层的输出为所述激光拉曼光谱特征图，所述基于卷积神经网络模型的特征提取器的第一层的输入为所述预处理后激光拉曼光谱图像。

卷积神经网络（Convolutional Neural Network，CNN）是一种在计算机视觉和图像识别领域广泛应用的深度学习模型。它通过卷积层、池化层和全连接层等组件来提取图像的特征，并进行分类、识别或回归等任务。卷积神经网络的核心思想是利用卷积操作来捕捉图像的局部特征，并通过多个卷积层来逐渐提取更高级别的抽象特征。卷积神经网络（Convolutional Neural Network，CNN）的结构和原理如下：输入层：接收输入的图像数据，通常是一个二维的矩阵，表示图像的像素值；卷积层：卷积层是CNN的核心组件，它通过应用一系列的卷积核（也称为滤波器）对输入图像进行卷积操作。卷积操作可以提取图像的局部特征，每个卷积核可以学习不同的特征，例如边缘、纹理等。卷积操作的输出称为特征图（feature map）；激活函数：对卷积层的输出进行非线性映射，引入非线性关系。常用的激活函数有ReLU（Rectified Linear Unit），它可以将负值置为0，保留正值；池化层：池化层用于减少特征图的大小，并保留主要的特征信息。常用的池化操作有最大池化和平均池化。最大池化取池化窗口内的最大值作为输出，平均池化取池化窗口内的平均值作为输出；全连接层：全连接层将池化层的输出连接到一个或多个全连接层，将高级抽象特征映射到输出类别。全连接层中的每个神经元都与上一层的所有神经元连接；输出层：输出层根据任务的不同，采用不同的激活函数和损失函数进行分类、识别或回归。常用的激活函数有softmax函数，常用的损失函数有交叉熵损失函数。

所述S312，基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征。考虑到所述激光拉曼光谱特征图中各个维度的特征值对于最终单细胞类型检测的贡献度不同，基于此，在本申请的技术方案中，基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征。特别地，在本申请的一个具体示例中，所述S312，包括：将所述激光拉曼光谱特征图通过三分支注意力模块以得到所述多维度特征强化激光拉曼光谱特征图。

根据本申请的实施例，将所述激光拉曼光谱特征图通过三分支注意力模块以得到所述多维度特征强化激光拉曼光谱特征图，包括：将所述激光拉曼光谱特征图通过第一注意力分支以得到第一特征强化激光拉曼光谱注意力特征图:将所述激光拉曼光谱特征图通过第二注意力分支以得到第二特征强化激光拉曼光谱注意力特征图:将所述激光拉曼光谱特征图通过第三注意力分支以得到第三特征强化激光拉曼光谱注意力特征图:以及，融合所述第一特征强化激光拉曼光谱注意力特征图、所述第二特征强化激光拉曼光谱注意力特征图和所述第三特征强化激光拉曼光谱注意力特征图以得到所述多维度特征强化激光拉曼光谱特征图。更具体地，在一个示例中，将所述激光拉曼光谱特征图通过第一注意力分支以得到第一特征强化激光拉曼光谱注意力特征图，包括：对所述激光拉曼光谱特征图(CxHxW)进行特征旋转以得到第一旋转激光拉曼光谱特征图(WXHXC);

对所述第一旋转激光拉曼光谱特征图沿着宽度维度进行池化以得到池化第一旋转激光拉曼光谱特征图(2XHXC):并对所述池化第一旋转激光拉曼光谱特征图进行卷积处理以得到第一注意力矩阵(1xHXc);对所述第一注意力矩阵进行批归一化处理以得到第一注意力权重矩阵;计算所述第一旋转多模态联合特征图的沿着宽度维度的各个特征矩阵与所述第一注意力权重矩阵之间的按位置乘积以得到所述第一特征强化激光拉曼光谱注意力特征图。以及，融合所述第一特征强化激光拉曼光谱注意力特征图、所述第二特征强化激光拉曼光谱注意力特征图和所述第三特征强化激光拉曼光谱注意力特征图以得到所述多维度特征强化激光拉曼光谱特征图，包括：对所述第一特征强化激光拉曼光谱注意力特征图和所述第二特征强化激光拉曼光谱注意力特征图进行逆向旋转以得到第一旋转特征强化激光拉曼光谱注意力特征图(CXHXW)和第二旋转特征强化激光拉曼光谱注意力特征图(CXHXW);以及，计算所述第一旋转特征强化激光拉曼光谱注意力特征图、所述第二旋转特征强化激光拉曼光谱注意力特征图和所述第三特征强化激光拉曼光谱注意力特征图之间的按位置加权和以得到所述多维度特征强化激光拉曼光谱特征图。

值得注意的是，三分支注意力是一种用于增强特征表达能力的注意力机制。它通过同时学习三个分支的注意力权重，来捕捉输入数据的多个维度信息。这三个分支分别是全局分支、通道分支和空间分支。全局分支关注整个输入特征图的全局信息，用于捕捉全局上下文和全局特征。通道分支关注输入特征图的通道维度，用于学习通道之间的关系和通道重要性。空间分支关注输入特征图的空间维度，用于学习空间位置之间的关系和空间重要性。在这个结构中，全局分支和通道分支分别使用全连接层来计算注意力权重，然后将注意力权重应用于输入特征图上。全局分支的注意力权重用于对整个特征图进行加权，通道分支的注意力权重用于对每个通道进行加权。然后，通过将全局分支和通道分支的输出进行拼接，得到一个综合的特征图。最后，空间分支使用卷积操作来计算空间注意力权重，并将其应用于综合特征图上，从而得到最终的增强特征图。通过这种三分支注意力的结构，可以同时考虑全局、通道和空间的特征重要性，从而提高特征的多维度表达能力。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征，例如：预处理：首先，对激光拉曼光谱图像进行预处理，包括去除噪声、背景校正等步骤，以提高数据质量；特征提取：使用激光拉曼光谱仪采集到的数据，提取激光拉曼光谱图像的原始特征。这些特征可以包括波长、强度等信息；特征显著性强化：引入注意力机制对激光拉曼光谱特征图进行特征显著性强化。注意力机制可以通过学习数据中的重要特征，并赋予其更高的权重，从而提高这些特征对分类或识别任务的贡献；多维度特征强化：通过引入多个注意力机制，对激光拉曼光谱特征图进行多维度特征强化。每个注意力机制可以关注不同的特征子空间，从而捕捉到更丰富的特征信息；得到特征强化的激光拉曼光谱特征图：将多个注意力机制得到的特征进行融合，得到特征强化的激光拉曼光谱特征图。这个特征图可以包含更多的有用信息，有助于后续的单细胞快速检测鉴定任务。

相应地，所述S32，将所述激光拉曼光谱图像特征通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签。也就是，在得到所述多维度特征强化激光拉曼光谱特征图后，将所述多维度特征强化激光拉曼光谱特征图通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签。特别地，在本申请的一个具体示例中，将所述多维度特征强化激光拉曼光谱特征图通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签，包括：对所述多维度特征强化激光拉曼光谱特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到优化多维度特征强化激光拉曼光谱特征图；以及，将所述优化多维度特征强化激光拉曼光谱特征图输入所述分类器以得到所述分类结果。

具体地，对所述多维度特征强化激光拉曼光谱特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到优化多维度特征强化激光拉曼光谱特征图。特别地，在本申请的技术方案中，所述激光拉曼光谱特征图的每个特征矩阵表达所述预处理后激光拉曼光谱图像的图像语义特征，且其各个特征矩阵之间符合所述卷积神经网络模型的通道分布，但是，在通过三分支注意力模块时，由于空间注意力机制会强化特征矩阵内的局部空间特征分布，而通道注意力机制又会对通道维度下的某些特征矩阵进行整体加权，这就使得所述多维度特征强化激光拉曼光谱特征图的各个特征矩阵之间的流形表示差异变大，导致各个特征矩阵在高维特征空间内的高维流形表示无法如所述激光拉曼光谱特征图那样保持沿通道分布的流形几何连续性，从而影响所述多维度特征强化激光拉曼光谱特征图通过分类器的收敛效果，即，影响了分类器的训练速度和分类结果的准确性。因此，针对所述多维度特征强化激光拉曼光谱特征图的每个特征矩阵，例如记为，进行特征图的通道维度遍历流形式凸优化，表示为：

其中，和/>分别为基于所述多维度特征强化激光拉曼光谱特征图的特征矩阵的全局均值所构成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，即/>的最大本征值的平方根，且/>为优化后的特征矩阵，表示按位置点乘，/>表示向量相乘。这里，所述多维度特征强化激光拉曼光谱特征图的通道维度遍历流形式凸优化通过结构化调制的特征矩阵的最大分布稠密性方向来确定特征矩阵流形的基维度，并沿所述多维度特征强化激光拉曼光谱特征图的通道方向对特征矩阵流形进行遍历，以通过沿通道方向堆叠遍历流形的基维度来约束每个特征矩阵/>所表示的遍历流形的凸优化连续性，从而实现由优化后的特征矩阵/>的遍历流形组成的所述多维度特征强化激光拉曼光谱特征图的高维特征流形的几何连续性，也就改进了所述多维度特征强化激光拉曼光谱特征图通过分类器的收敛效果，即，提升了分类器的训练速度和分类结果的准确性。

具体地，将所述优化多维度特征强化激光拉曼光谱特征图输入所述分类器以得到所述分类结果。也就是，将基于激光拉曼光谱的单细胞快速检测鉴定问题转为特征提取和特征分类的问题，而在提取到光谱特征后，使用所述分类器来确定所述光谱特征所属的类概率标签，所述类概率标签用于表示待检测单细胞的类型标签。

根据本申请的实施例，将所述多维度特征强化激光拉曼光谱特征图通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签，包括：将所述多维度特征强化激光拉曼光谱特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。需要注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签，例如：获取预处理后的激光拉曼光谱图像；导入已有的单细胞鉴定模型或创建一个新的鉴定模型；将激光拉曼光谱图像输入到鉴定模型中；模型对光谱图像进行分析和处理，提取特征；使用提取的特征进行单细胞的鉴定；根据模型的输出结果，将待检测单细胞分配到相应的类型标签；输出鉴定结果，即待检测单细胞的类型标签。

综上，根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定方法被阐明，通过预处理对待检测单细胞的激光拉曼光谱图像进行信号源域强化，并通过基于机器学习模型的特征提取器来进行光谱特征提取和分析以提高基于激光拉曼光谱的单细胞快速检测鉴定的精准度。

进一步地，还提供一种基于激光拉曼光谱的单细胞快速检测鉴定系统。

图6为根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定系统的框图。如图6所示，根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定系统300，包括：图像获取模块310，用于获取待检测单细胞的激光拉曼光谱图像；图像预处理模块320，用于对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像；以及，鉴定结果生成模块330，用于基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签。

如上所述，根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定系统300可以实现在各种无线终端中，例如具有基于激光拉曼光谱的单细胞快速检测鉴定算法的服务器等。在一种可能的实现方式中，根据本申请实施例的基于激光拉曼光谱的单细胞快速检测鉴定系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于激光拉曼光谱的单细胞快速检测鉴定系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于激光拉曼光谱的单细胞快速检测鉴定系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该基于激光拉曼光谱的单细胞快速检测鉴定系统300与该无线终端也可以是分立的设备，并且该基于激光拉曼光谱的单细胞快速检测鉴定系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (4)

1.一种基于激光拉曼光谱的单细胞快速检测鉴定方法，其特征在于，包括：

获取待检测单细胞的激光拉曼光谱图像；

对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像；

以及基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签；

所述对所述激光拉曼光谱图像进行预处理以得到预处理后激光拉曼光谱图像，包括：

去除所述激光拉曼光谱图像中的背景噪声以得到降噪后激光拉曼光谱图像；

以及对所述降噪后激光拉曼光谱图像进行光谱校正以得到所述预处理后激光拉曼光谱图像；

所述基于所述预处理后激光拉曼光谱图像进行单细胞快速检测鉴定以得到鉴定结果，所述鉴定结果为待检测单细胞的类型标签，包括：

从预处理后激光拉曼光谱图像提取激光拉曼光谱图像特征；

以及将所述激光拉曼光谱图像特征通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签；

所述将所述激光拉曼光谱图像特征通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签，包括：将所述多维度特征强化激光拉曼光谱特征图通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签；

所述将所述多维度特征强化激光拉曼光谱特征图通过分类器以得到分类结果，所述分类结果用于表示待检测单细胞的类型标签，包括：

对所述多维度特征强化激光拉曼光谱特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到优化多维度特征强化激光拉曼光谱特征图；

以及将所述优化多维度特征强化激光拉曼光谱特征图输入所述分类器以得到所述分类结果；

所述对所述多维度特征强化激光拉曼光谱特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到优化多维度特征强化激光拉曼光谱特征图，包括：以如下优化公式对所述多维度特征强化激光拉曼光谱特征图的沿通道维度的各个特征矩阵进行通道维度遍历流形式凸优化以得到优化多维度特征强化激光拉曼光谱特征图；

其中，所述公式为:其中，/>和分别为基于所述多维度特征强化激光拉曼光谱特征图的特征矩阵的全局均值所构成的全局均值池化向量通过线性变换得到的列向量和行向量，/>表示矩阵的谱范数，即的最大本征值的平方根，且/>为优化后的特征矩阵，/>表示按位置点乘，/>表示向量相乘。

2.根据权利要求1所述的基于激光拉曼光谱的单细胞快速检测鉴定方法，其特征在于，从预处理后激光拉曼光谱图像提取激光拉曼光谱图像特征，包括：

将所述预处理后激光拉曼光谱图像通过基于卷积神经网络模型的特征提取器以得到激光拉曼光谱特征图；

以及基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征。

3.根据权利要求2所述的基于激光拉曼光谱的单细胞快速检测鉴定方法，其特征在于，基于注意力机制对所述激光拉曼光谱特征图进行特征显著性强化以得到多维度特征强化激光拉曼光谱特征图作为所述激光拉曼光谱图像特征，包括：

将所述激光拉曼光谱特征图通过三分支注意力模块以得到所述多维度特征强化激光拉曼光谱特征图。

4.根据权利要求3所述的基于激光拉曼光谱的单细胞快速检测鉴定方法，其特征在于，将所述激光拉曼光谱特征图通过三分支注意力模块以得到所述多维度特征强化激光拉曼光谱特征图，包括：

将所述激光拉曼光谱特征图通过第一注意力分支以得到第一特征强化激光拉曼光谱注意力特征图:

将所述激光拉曼光谱特征图通过第二注意力分支以得到第二特征强化激光拉曼光谱注意力特征图:

将所述激光拉曼光谱特征图通过第三注意力分支以得到第三特征强化激光拉曼光谱注意力特征图:

以及融合所述第一特征强化激光拉曼光谱注意力特征图、所述第二特征强化激光拉曼光谱注意力特征图和所述第三特征强化激光拉曼光谱注意力特征图以得到所述多维度特征强化激光拉曼光谱特征图。