一种X射线吸收光谱法病灶检测仪的制作方法

本发明涉及x射线吸收光谱技术，特别是一种x射线吸收光谱法病灶检测仪。

背景技术：

计算机断层扫描(ct)对人体软组织具有高分辨率，成像更加清晰和稳定，更能全面客观地显示肝脏的外形、脾脏的大小以及有无腹水，可克服呼吸运动产生的伪影问题，可用于早期诊断，有助于区分低级别纤维化。但同时由于ct技术需要多次照射，因此辐射剂量是较大的。而且ct扫描出的图像不能直接用于诊断，需要较为复杂的图像分割提取处理。此外，使用造影剂、有限的扫描覆盖范围也使其无法被广泛使用。

核磁共振检查(mri)是利用收集磁共振现象所产生的信号而重建图像的成像技术，可用于测量肝细胞功能，肝组织在肝细胞阶段的增强程度和异质性与肝纤维化程度有关，但受限于使用造影剂和核磁共振时间，其效率和效果有待提高。

超声波检测技术是诊断肝胆疾病常用的方法，具有经济实惠，非创伤性，可重复性，安全性高、患者易于接受等优点，可广泛用于在临床实践中筛查纤维化，适用于脂肪炎或肥胖类的病人，对有狭窄的肋间隙和腹水症状的病人效果较为理想。但诊断结果受检查者熟练程度主观因素以及超声仪器的影响较大，对慢性、弥漫性肝病以及早期肝硬化的检测效果不好。

x射线吸收光谱法基于朗伯-贝尔(lambert-beer)定律。当x射线穿透物质时，它的强度会发生衰减，其衰减的程度取决于被穿透的物质，其穿透x射线强度与被穿透物质的厚度及物质的衰减系数成指数关系。即穿透x射线强度i与入射强度i0满足下式衰减关系：i-i0e^(-μd)，μ为该物质的x射线衰减系数，是一个常数，d为样品厚度。在连续能量的x射线穿透样品的过程中，样品对不同能量x射线的吸收程度不同，x射线吸收谱(xas)所表示的就是物质对于不同能量x射线的μ的变化。实验中采集到的原始数据是入射x射线光谱和透射x射线光谱，因此可以得到样品的xas：x射线光谱技术是一种成熟的分析方法，具有能量高、穿透力强和无损检测等特点。该技术在医学、化学、材料学、物理等领域都有着重要的应用。因此将x射线吸收光谱技术应用于肝硬化病理检测不失为一种辅助医学诊断和治疗的新方法。

技术实现要素：

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种应用于肝硬化的病理检测，结合了机器学习算法进行分类识别正常肝与硬化肝的x射线吸收光谱法病灶检测仪。

本发明采用如下技术方案：

一种x射线吸收光谱法病灶检测仪，其特征在于：包括光学平台、x射线光源、x射线探测器、伺服系统、控制系统和数据处理系统；该x射线光源位于平移台一端；该伺服系统包括三轴运动控制器及位于光学平台上的平移台、升降台和旋转台，该平移台靠近光学平台另一端且其顶面设有升降台以放置x射线探测器，该旋转台位于平移台和x射线光源之间以放置待测物质，该三轴运动控制器连接驱动平移台、升降台和旋转台动作，并使x射线探测器的be窗中心与x射线光源的be窗中心处于同一铅垂面和水平面上；该控制系统与x射线光源、x射线探测器和三轴运动控制器相连以控制产生x射线，采集x射线光谱；该数据处理系统与控制系统相连以对采集到的x射线光谱进行预处理，采用机器学习算法进行已知样本的特征提取，而后采用评估模型对分类预测进行评估，给出检测结果。

还包括辐射防护装置，其设有柜体、铅玻璃门和铅门；所述学平台、x射线光源、x射线探测器、伺服系统位于柜体内，该铅玻璃门位于柜体前端，该铅门位于柜体后端和左右端。

还包括有高压电源，该高压电源与所述x射线光源相连以供电。

还包括智能温控器，该智能温控器与所述x射线光源和所述高压电源相连。

还包括光路调校系统，其包括两组红外激光模组和万向架，该两组红外激光模组安装在万向架上以任意角度出射激光至所述x射线光源的be窗中心处。

还包括摄像机和显示屏，该摄像机和显示屏与所述控制系统相连。

所述预处理包括剪切、去背景、归一化和pca降维。

所述机器学习算法为深度神经网络。

所述评估模型为混淆矩阵、受试者工作特征曲线或准确率-召回率曲线。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

1、本发明检测仪可产生钨(74w)的宽带x射线作为入射光谱，借助光子计数探测器采集样本的吸收光谱，首次将x射线吸收光谱技术应用于病理检查，采集了正常肝与硬化肝样本的x射线透射光谱。

2、本发明通过朗伯-贝尔(lambert-beer)定律可得到样本的x射线吸收光谱曲线。利用主成分分析法、0-1归一化等方法预处理光谱数据后，借助深度神经网络模型进行分类辨识，从而实现小鼠正常肝和硬化肝样本的识别。

3、本发明节约肝硬化检测器的硬件成本。

4、本发明的检测速度快，识别准确率高。

5、本发明测试辐射剂量小，可用于多种不同的病理检测。

附图说明

图1为本发明整体结构框图；

图2为本发明软件结构框架图；

图3为本发明软件流程图

图4为图3中a模块流程；

图5为图3中b模块流程；

图6为图3中c模块流程；

图7为图3中d模块流程；

图8本发明检测仪主要结构图；

图9为软件绘制的原始光谱数据；

图10为两类样本各自的平均吸收系数的展示；

图11为主成分分析中前二主成分二维图；

图12为用于评估模型分类预测效果的混淆矩阵(归一化前和归一化后)；

其中：10、光学平台，20、x射线光源，30、x射线探测器，40、伺服系统，41、平移台，42、升降台，43、旋转台，50、辐射防护装置，60、待测物质,70、显示屏。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

参见图1至图8，一种x射线吸收光谱法病灶检测仪，通过产生钨(74w)的宽带x射线作为入射光谱，借助光子计数探测器采集样本的吸收光谱，首次将x射线吸收光谱技术应用于病理检查，采集了正常肝与硬化肝样本的x射线透射光谱。通过朗伯-贝尔(lambert-beer)定律可得到样本的x射线吸收光谱曲线。利用主成分分析法、0-1归一化等方法预处理光谱数据后，借助深度神经网络模型进行分类辨识，从而实现小鼠正常肝和硬化肝样本的识别。

其主要组成包括光学平台10、x射线光源20、x射线探测器30、伺服系统40、控制系统、数据处理系统等。该x射线光源20位于平移台41一端，可采用上海科颐维电子提供的kyw800型小功率固定阳极正负电压x射线管。x射线探测器30可采用美国amptek公司提供的x-123型cdte探测器，该型探测器集成了x-100t-cdte晶体探头及其前置放大器、dp5数字脉冲处理器、多道脉冲分析器以及电源和pc接口。系统电源的输入电压约为+5vdc，电流为200ma。pc5中利用开关电源为数字处理器和前置放大器提供所需的直流低电压，同时还包含了一个高压倍增器，以产生探测器所需要的400v高偏压，并闭环控制热电制冷器以提供达85℃的温差。整个探测器被封装在一个7cm×10cm×2.5cm的铝盒中，仅需两条连接线：电源线(+5vdc)和数据线(usb或rs232)。

由于x射线的辐射特性，必须保证系统运行时不能对操作人员造成身体健康损害，因此必须设置相应的辐射防护装置50隔绝x射线。该辐射防护装置50设有柜体、玻璃铅门和铅门等，光学平台10、x射线光源20、x射线探测器30、伺服系统40位于柜体内，该铅玻璃门位于柜体前端，该铅门位于柜体后端、前后侧。该柜体底部设有支架，用于放置主机、电源等其他部件。

还设置有智能温控器和高压电源，高压电源为x射线管提供稳定直流高电压和稳定直流电流。该智能温控器与x射线光源20、高压电源相连。智能温控器的磁性头(热电偶传感器)贴于x射线管黄铜封装表面，用于检测x射线管工作温度；如果x射线管由于功率过大、散热不及时而使温度过高，智能温控器就会切断高压电源。

该高压电源可采用斯曼高压电源提供的xrb系列150w高压电源，能提供高压输出、完整的控制信号和多种辅助功能，可输出稳定的小纹波电压和电流。在实际操作过程中，由于辐射防护装置50设置了前端单开的铅玻璃门和后端双开的铅门，为了防止误操作打开铅门而使辐射泄漏，设置了高压电源互锁系统：采用两组施耐德xckn2145p20c型行程开关，安装在辐射防护装置50的铅玻璃门处，接通高压电源的互锁电路，在误开铅门的情况下可以立即切断高压电源。

该伺服系统40用于调整x射线探测器30和待测物质60的空间位置，包括三轴运动控制器及位于光学平台10上的平移台41、升降台42和旋转台43，该平移台41靠近光学平台10另一端且其顶面设有升降台42以放置x射线探测器30，该旋转台43位于平移台41和x射线光源20之间以放置待测物质60，该三轴运动控制器连接驱动平移台41、升降台42和旋转台43动作，并使x射线探测器30的be窗中心与x射线光源20的be窗中心处于同一铅垂面和水平面上。

伺服系统40采用赛凡光电提供的7s系列三轴伺服运动平台，包括7sta04a牧马系列电动平移台、7sva160千斤顶系列升降台、7sra1蜗轮系列电动旋转台以及7sc3系列三轴运动控制器。

还包括光路调校系统，该光路调校系统采用两组红外激光模组，安装在万向架上，位于升降台42侧部合适位置，可以任意角度出射激光。光路调校方法如下：调整两组红外激光模组的焦距以及万向架，使出射的两条红外激光线分别铅直和水平，并使它们的十字交叉线的交点投射到x射线管的be窗中心处；然后通过伺服系统40调整x射线探测器30的空间位置，使探测器的be窗中心与x射线管的be窗中心处于同一铅垂平面和同一水平平面上。这样的光路调校可以保证x射线出射的光子尽可能准直地被探测器be窗接收。

还包括摄像机和显示屏70，该摄像机和显示屏70与控制系统相连。该控制系统与x射线光源20、x射线探测器30和三轴运动控制器相连。控制系统下达光源的控制命令、探测器的配置信息、数据处理系统以及伺服系统40的控制命令，使经过样品衰减后的x射线光谱不断地被探测器采集并经过数据处理系统的处理返回到控制端显示和保存。

控制系统实现与各个系统的命令传递和信息交互：控制光源参数产生所需条件的x射线、配置探测器参数并采集x射线光谱、控制数据处理系统处理采集到的x射线信息、驱动伺服系统40对探测器和样品的空间位置进行定位；同时，光源参数信息、探测器配置信息、x射线光谱信息、伺服系统40位置信息均实时传输到控制系统显示，并且能够对这些信息进行保存和输出

整个硬件系统以pc作为控制终端，需要在windows7系统环境下通过usb和串行通信接口实现对各个子系统的控制以及各个子系统信息的即时反馈。

本发明控制系统主要实现以下四个方面的功能：(1)x射线吸收光谱的采集、显示及保存；(2)高压电源的控制；(3)摄像机实时监控系统的运行；(4)三轴伺服运动平台的精确控制。采用visualstudio2010c#编程环境，编制了基于windows7的上位机控制软件，使用通用串行总线(usb)和串行通信接口(com接口)作为上位机和硬件系统间的通信接口。

参考图2，x射线吸收光谱测量主要包括：各硬件子系统与控制系统间的通信和上位机交互界面的开发。用户通过上位机向高压电源和三轴运动控制器发送串口控制信号进行配置更改和实验操作，向x射线采集装置和摄像机发送usb控制信号进行配置更改和实验操作，各硬件子系统通过串口和usb向用户即时返回信息，

参考图3，软件开发流程分为登陆、通讯、控制三大部分。上位机设置登陆界面，进行权限认证；认证成功后进入通讯界面，通过串口和usb与高压电源、探测器、摄像机、三轴运动控制器建立通讯连接；通讯成功后进入主控制界面，此时可对各个子系统的各项参数进行设置。

参见图4，为a模块的高压电源控制子流程：确认开启高压后，在高压电源子界面显示当前相关数据，再设置相关参数，然后运行高压，为x射线管供电，并在运行过程中不断检测是否出现错误，如果出现就在子界面通知错误状态并不断检测是否正确处理，最后结束高压运行。

参见图5，为b模块的x射线探测器30控制子流程：通讯成功后，先确认是否要修改探测器参数，如需修改，则进行mca多通道数据分析参数、峰化参数(shaping)、采集增益参数(gain)、电源参数(power)、misc参数的配置，然后开启采集模式，在采集x射线吸收光谱的过程中同时显示运行状态和参数配置状态，最后结束光谱采集。

参见图6，为c模块的摄像机控制子流程：开启摄像机后，确认进行画面监控，启动采集功能，选择单帧或连续采集模式，然后修改当前摄像机参数至画面最优，最后结束监控。

参见图7，为d模块的三轴运动控制器控制子流程：主界面通讯成功后，对x、y、z轴进行选择，修改各轴的运动参数，然后控制各轴的运动，待动作完成后选择是否回归零位，最后结束运动。

数据处理系统基于pandas、numpy、scikit-learn和matplotlib等第三方库编写光谱数据分析处理程序，并用tkinter编写软件操作界面，用pyinstaller封装成exe文件。该软件能对针对不同类型的实验样本做不同处理。

其数据处理主要包括对采集到的原始光谱数据进行剪切、去背景、归一化、pca降维等预处理操作，参见图9-图12；选择采用深度神经网络(deepneuralnetwork,dnn)机器学习算法进行已知样本的特征提取及分类预测；用混淆矩阵、受试者工作特征曲线(receiveroperatingcharacteristiccurve,roc)、准确率-召回率曲线(precision-recallcurve,prc)等评估方式评估模型分类预测效果；对给定的采集到的原始光谱数据，能给出预测标签信息，该预测标签即代表了待测物质60对应的类别。

本发明主要采用深度神经网络算法作为分类识别模型，以基于反向传播学习算法的单隐层人工神经网络为例，阐述神经网络的工作原理。人工神经元(artificialneural，简称神经元)是ann的基本信息处理单位，同生物神经元一样，它能接受一个或若干个输入信号，然后对输入信号进行处理产生输出，并将输出传递到下一个神经元或输出为最终结果。一个完整的神经元具有下列基本元素：

权值，神经元接受的每个输入都需要进行加权运算后才能进行下一步处理。

加法器，构成了一个线性组合器，对加权后的输入进行求和运算。

阈值，阈值的作用是对加法器的结果增加或减少相应的数值，将激活函数的输入限制在一个合理的范围之内。

激活函数，用于对加法器经过阈值后的结果进行计算产生输出，也起到限制神经元输出范围的作用，最关键的是激活函数是网络的非线性来源。通常，神经元的输出范围被限制在0到1或-1到1之间。

可以用如下公式来表示神经元的数据处理过程：

y＝f(z)(2)

式中，x为输入信号，w为权值，b为阈值，z为激活函数的输入，f为激活函数，y为输出信号。将式(1)与式(2)进行合并，得到神经元的信号处理公式：

每个神经元的任务就是对输入进行处理后，然后输出到下一个神经元或输出为最终结果。

激活函数是神经元的基本元素之一，在限制神经元输出的同时还给网络加入了非线性因素，从而可能解决线性模型所不能解决的非线性问题。隐含层和输出层通常使用不同的激活函数。对于二分类问题下的深层神经网络，其隐含层和输出层使用的激活函数分别是线性整流函数(rectifiedlinearunit,relu)和sigmoid函数。relu函数在神经网络层数加深时能有效避免梯度消失现象，其公式如下。

f(x)＝max(x,0)(4)

sigmoid函数是神经网络处理二元分类问题时最常用的输出层激活函数，其公式如下：

sigmoid函数的导数可由自身表示为：

神经网络的学习规则即是训练算法，通过学习先验知识对神经网络的权值和阈值训练更新。学习规则有两大类别：有监督学习和无监督学习。对于有监督学习，需要提供先验知识(即训练样本对)用于训练网络，根据网络的输出与期望值不断更新权值和阈值，使得网络的输出越来越趋近于期望值。而对于无监督学习，网络的输出没有期望值，权值和阈值的更新只与网络输入有关。bp神经网络训练所使用的误差反向传播算法是一种典型的有监督学习，其基本思想是通过学习先验知识(输入/期望输出对)达到准确预测的目的。即样本的输入被发送到网络输入层，通过隐含层和输出层计算后，输出层输出相应的预测值。如果预测值与期望输出之间的误差不满足精度要求，则通过它们之间的误差情况反向调整权重和阈值，调整后再对输入进行计算产生输出。如此反复逐渐减小输出与期望输出之间的误差，直到误差满足精度要求为止。

下面推导使用误差反向传播算法调整网络权值和阈值的详细过程。

以网络结构为m×p×n的三层bp神经网络为例。样本对(x,y)和隐层神经元输出o如下表达式所示：

输入层与隐含层之间的权值连接矩阵w⁽¹⁾、隐含层与输出层之间的权值连接矩阵w⁽²⁾如下所示：

式中，wji代表从前一层第i个神经元到后一层第j个神经元时的权值，即w的第j行表示从前一层所有神经元输出到后一层第j个神经元的权值向量。

隐含层的阈值向量b⁽¹⁾和输出层的阈值向量b⁽²⁾分别为：

由上述公式可得隐含层第j个神经元的输出表达式为：

则隐含层的输出o为：

同理可得，输出层第k个神经元的输出以及输出层的输出表达式分别为：

式中，函数f和函数g分别是隐含层和输出层的激活函数。

由输入x到输出的过程叫做正向过程，期间网络的权值和阈值是固定的，输入信号在网络中一层一层传播，直到到达输出端。正向过程结束后便是反向过程，通过比较输出和期望输出y得到网络误差，然后利用网络误差反向逐层修正网络的权值和阈值。

网络输出与期望输出的误差定义为：

误差e对权值的偏导数为：

式中，

误差e对权值的偏导数为：

式中，

同理，误差e对阈值和阈值的偏导数分别为

假设δw⁽¹⁾和δw⁽²⁾如下：

则权值的调整公式为：

式中，η为学习率，学习率决定了梯度下降即网络训练的速度。

同理，假设δb⁽¹⁾和δb⁽²⁾如下：

则阈值的调整公式为：

误差反向传播算法的实质是将网络的误差归因于权值和阈值设置的不合理，通过反向传播计算误差与每个权值和阈值之间的关系，然后沿着使误差下降最快的方向调整权值和阈值，从而完成神经网络的训练过程。

隐含层的层数及神经元的个数对网络的性能有很大的影响，若隐含层结构过于简单，则不能充分模拟输入与输出之间的非线性关系；若结构过于复杂，则会出现过拟合现象，也会导致网络学习时间变长。隐含层结构的大小不像权值阈值那样可以通过学习进行调整，如何确定隐含层结构没有一个固定的理论方法。隐含层结构的确定一般是建立在经验的基础上，通过多次尝试对比不同结构对网络性能的影响，从而进行选择。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。