一种基于穆勒偏振技术的生物组织结构分类系统
阅读说明：本技术 一种基于穆勒偏振技术的生物组织结构分类系统 (Biological tissue structure classification system based on Mueller polarization technology ) 是由 李艳秋 王文爱 陈国强 于 2021-07-27 设计创作，主要内容包括：本发明提供一种基于穆勒偏振技术的生物组织结构分类系统,首先获得待分类生物组织对应的穆勒矩阵及其穆勒偏振参数组合,再根据穆勒偏振参数组合的统计量构建偏振特征矩阵,最后由支持向量机对基于穆勒偏振技术获取的且由多个偏振特征量形成的偏振特征矩阵进行联合评估,得到生物组织的所属类别；本发明联合多个标量偏振参数(标量相位延迟、标量偏振度、标量退偏、标量双向衰减等)和多个矢量偏振参数(矢量相位延迟、矢量偏振度、矢量双向衰减等)作为关键特征来对生物组织进行分类,实现对生物组织微观结构全面的定性分析及精准的定量鉴别,能够大大减小随机因素的影响,提高分类的准确率。(The invention provides a biological tissue structure classification system based on a Mueller polarization technology, which comprises the steps of firstly obtaining a Mueller matrix corresponding to a biological tissue to be classified and a Mueller polarization parameter combination thereof, then constructing a polarization characteristic matrix according to statistics of the Mueller polarization parameter combination, and finally carrying out combined evaluation on the polarization characteristic matrix which is obtained based on the Mueller polarization technology and is formed by a plurality of polarization characteristic quantities by a support vector machine to obtain the category of the biological tissue; the invention combines a plurality of scalar polarization parameters (scalar phase delay, scalar polarization degree, scalar depolarization, scalar bidirectional attenuation and the like) and a plurality of vector polarization parameters (vector phase delay, vector polarization degree, vector bidirectional attenuation and the like) as key characteristics to classify biological tissues, realizes comprehensive qualitative analysis and accurate quantitative identification of the microstructure of the biological tissues, can greatly reduce the influence of random factors and improve the accuracy of classification.)
技术领域
本发明属于偏振测量的技术领域，尤其涉及一种基于穆勒偏振技术的生物组织结构分类系统。
背景技术
光与介质相互作用会发生散射，散射过程中光子偏振态的改变与散射介质的微观结构有密切关系。大部分生物组织都是高散射介质，但光经过多次散射会失去原本携带的偏振信息，影响成像的对比度和分辨率。穆勒偏振技术通过对光子偏振态进行合适的筛选，抑制多次散射并丧失原有偏振态的“扩散光子”对图像的贡献，提高保持原有偏振的少次散射“弹道光子”和“蛇行光子”的作用，从而改善图像质量，提高组织浅表层成像对比度，可以反应散射介质微观结构。穆勒偏振成像作为一种非标记、无损伤、能全面反映生物介质偏振光学特性的检测技术，在生物医学领域表现出独特的优势。
穆勒偏振成像仪基于偏振器件对入射光的偏振态进行调制的原理设计、搭建而成，可以实现样本的透射式及反射式检测，如图1所示，常见的穆勒偏振检测系统包括照明模块、偏振检测模块、CCD成像模块及数据处理模块。照明模块包括：光源101；偏振检测模块：包括由线偏振片102和四分之一波片103顺序排列组成的偏振态产生器(PSG)、聚光镜104、样本台105、显微物镜106、及四分之一波片107和线偏振片108顺序排列组成的偏振态分析器(PSA)；CCD成像模块选用满足物镜最高分辨率的CCD相机109；数据处理模块110主要由参数设置、图像采集、数据处理、结果显示与保存等模块组成。穆勒偏振检测中，采用16次旋转波片测量法,通过CCD采集的16幅强度图像，发送到数据处理模块，进一步处理得到样本的4×4穆勒矩阵图像，通过数学分解方法可以获得样本的标量退偏、相位延迟和双向衰减等偏振表征参量，分析样本的偏振特性和结构信息。为了提高穆勒偏振成像仪的测量精度，采用本征值标定法(ECM)对测量装置进行标定，可以实现生物组织的高精度、高分辨率穆勒偏振成像。
在穆勒偏振成像技术检测生物组织病变中，样本穆勒矩阵包含的偏振信息比较复杂，不易解读对应样本的结构信息，而极分解方法可以从样本穆勒矩阵中提取具有明确物理意义的偏振参数已被广泛地用作定性及定量分析，如线性相位延迟可以反映蛋白质等纤维结构的排列顺序、相位延迟快轴方位角可以反映纤维结构的取向分布。但目前的研究存在如下问题：
第一、传统采用极分解方法获取标量偏振图像，如标量相位延迟、退偏、双向衰减、线性相位延迟、圆延迟、线性退偏、圆退偏图像等，从单一的标量偏振参数图像进行样本结构分析，只可以观察到该偏振参数随组织病变的大小变化趋势以及影响该偏振参数的组织结构大致分布，如通过标量相位延迟图像只可以定性地观察到相位延迟值随组织病变程度不同而大小不同的趋势，或者可以观察到影响相位延迟的胶原纤维结构的大致分布，但标量相位延迟图将水平相位延迟参数反映的垂直分布纤维结构、45°相位延迟参数反映的沿135°方向分布的纤维结构、圆延迟参数反映的纤维螺旋结构等混在一起，不能从其图像中观察到各自纤维结构的排布细节，提供的结构信息不够全面。
第二、目前与穆勒偏振成像技术相结合的定量分析方法包括：1.计算穆勒矩阵及分解参数的强度图(或空间频谱图)的统计参数(均值、中位数、标准差、偏度、峰度等)，继而进行统计分析，这种方法可以从单一角度下的某一特征量实现定量分类，但是受随机因素影响较大，不能实现多参数联合表征，分类准确率由样本量的多少决定；2.结合基于机器学习中的神经网络方法对不同病变程度组织样本实现建模分类，这种方法可以对多参数进行联合表征，受随机因素影响较小，实现了一定程度的定量分类，但同样面临准确率由样本量多少决定的局限性。
发明内容
为解决上述问题，本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，能够提高偏振图像的对比度，实现对生物组织微观结构更全面的定性分析以及对不同类型组织更精准的定量鉴别分类。
一种基于穆勒偏振技术的生物组织结构分类系统，包括穆勒矩阵获取模块、矩阵分解模块、偏振特征提取模块以及M分类支持向量机，其中，M至少为2；
所述穆勒矩阵获取模块用于获取生物组织样本的穆勒矩阵；
所述矩阵分解模块采用极分解方法对所述穆勒矩阵进行分解，得到穆勒偏振参数组合，其中，所述穆勒偏振参数组合包括标量双向衰减D，矢量双向衰减的水平线双向衰减分量DH、45°线双向衰减分量D45、圆双向衰减分量DC，标量退偏Δ的水平线退偏分量ΔH、45°线退偏分量Δ45、圆退偏分量ΔC，标量偏振度，矢量偏振度的水平线偏振度分量PH、45°线偏振度分量P45、圆偏振度分量PC，标量相位延迟R，矢量相位延迟的水平线相位延迟分量RH、45°线相位延迟分量R45、圆相位延迟分量RC以及快轴方位角；
所述偏振特征提取模块用于分别获取穆勒偏振参数组合中每个穆勒偏振参数对应的统计量组合，并将各穆勒偏振参数对应的统计量组合构成偏振特征矩阵，其中，所述统计量组合包括均值、标准差、熵、偏度、峰度以及四分位差；
所述M分类支持向量机用于接收所述偏振特征矩阵，输出生物组织样本的所属类别以及属于该类别的概率。
进一步地，一种基于穆勒偏振技术的生物组织结构分类系统，还包括真彩色图获取模块、类别判断模块、病理分析结果获取模块；
所述真彩色图获取模块用于将矢量双向衰减的水平线双向衰减分量DH、45°线双向衰减分量D45、圆双向衰减分量DC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法合成矢量双向衰减真彩色图；
人工判断所述矢量双向衰减真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量双向衰减真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织样本最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量双向衰减真彩色图得到的所属类别不相同时，获取生物组织样本的病理学分析结果，并将病理学分析结果作为生物组织样本最终所属类别。
进一步地，一种基于穆勒偏振技术的生物组织结构分类系统，还包括真彩色图获取模块、类别判断模块、病理分析结果获取模块；
所述真彩色图获取模块用于将矢量偏振度的水平线偏振度分量PH、45°线偏振度分量P45、圆偏振度分量PC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法合成矢量偏振度真彩色图；
人工判断所述矢量偏振度真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量偏振度真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织样本最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量偏振度真彩色图得到的所属类别不相同时，获取生物组织样本的病理学分析结果，并将病理学分析结果作为生物组织样本最终所属类别。
进一步地，一种基于穆勒偏振技术的生物组织结构分类系统，还包括真彩色图获取模块、类别判断模块、病理分析结果获取模块；
所述真彩色图获取模块用于将矢量相位延迟的水平线相位延迟分量RH、45°线相位延迟分量R45、圆相位延迟分量RC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法合成矢量相位延迟真彩色图；
人工判断所述矢量相位延迟真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量相位延迟真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织样本最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量相位延迟真彩色图得到的所属类别不相同时，获取生物组织样本的病理学分析结果，并将病理学分析结果作为生物组织样本最终所属类别。
进一步地，当M分类支持向量机输出的所属类别与根据真彩色图得到的所属类别不相同时，若生物组织样本的病理学分析结果与真彩色图得到的所属类别相同，则重新采集生物组织样本对M分类支持向量机训练；
若生物组织样本的病理学分析结果与M分类支持向量机输出的所属类别相同，则结合病理学分析对真彩色图进行结构信息的重新挖掘，完善矢量穆勒偏振参数真彩色图的人工解读理论。
进一步地，一种基于穆勒偏振技术的生物组织结构分类系统，还包括用于训练M分类支持向量机的训练模块，其中，所述训练模块包括数据集获取单元、矩阵分解单元、偏振特征提取单元、支持向量机获取单元以及支持向量机验证单元；
所述数据集获取单元用于获取已经依据病理学进行分类判定的M个类别的生物组织样本，还用于对每个生物组织样本圈定至少一个检测区域，并将每个类别对应的各个检测区域按照设定比例随机划分入训练集和验证集；
所述穆勒矩阵获取模块用于获取每个检测区域的穆勒矩阵；
所述矩阵分解单元采用极分解方法分别对各检测区域的穆勒矩阵进行分解，得到各检测区域对应的穆勒偏振参数组合；
所述偏振特征提取单元用于分别获取各检测区域对应的穆勒偏振参数组合中每个穆勒偏振参数对应的统计量组合，得到每个检测区域对应的偏振特征矩阵；
所述支持向量机获取单元用于将训练集中各检测区域对应的偏振特征矩阵作为输入，训练集中各检测区域的所属类别作为输出，对M分类支持向量机进行训练，得到备选M分类支持向量机；
所述支持向量机验证单元用于将验证集中各检测区域对应的偏振特征矩阵输入所述备选M分类支持向量机，得到备选M分类支持向量机对验证集中各检测区域的分类结果与验证集中各检测区域分类结果的正确率。
进一步地，所述支持向量机获取单元对两个以上的M分类支持向量机进行训练，则得到两个以上的备选M分类支持向量机，且每个M分类支持向量机的模型参数不同；
所述支持向量机验证单元对两个以上的备选M分类支持向量机进行验证，并将正确率最高的备选M分类支持向量机作为最终的M分类支持向量机。
进一步地，一种基于穆勒偏振技术的生物组织结构分类系统，还包括支持向量机评估模块与支持向量机调整模块，其中，所述支持向量机评估模块包括数据集获取子单元、矩阵分解子单元、偏振特征提取子单元、支持向量机测试子单元；
所述数据集获取子单元用于获取尚未依据病理学进行分类判定的M个类别的生物组织样本，还用于对每个生物组织样本圈定至少一个检测区域，得到测试集；
所述穆勒矩阵获取模块用于获取测试集中每个检测区域的穆勒矩阵；
所述矩阵分解子单元采用极分解方法分别对测试集中各检测区域的穆勒矩阵进行分解，得到测试集中各检测区域对应的穆勒偏振参数组合；
所述偏振特征提取子单元用于分别获取测试集中各检测区域对应的穆勒偏振参数组合中每个穆勒偏振参数对应的统计量组合，得到每个检测区域对应的偏振特征矩阵；
所述支持向量机测试子单元用于将测试集中每个检测区域对应的偏振特征矩阵输入备选M分类支持向量机中，得到备选M分类支持向量机对测试集中各检测区域的分类结果以及各分类结果对应的概率；
所述支持向量机调整模块用于根据测试集中各检测区域的分类结果以及病理学分析生成评估报告，并根据评估报告调整备选M分类支持向量机的模型参数，再由训练模块对调整后的备选M分类支持向量机重新进行训练，直到所述正确率符合设定要求。
进一步地，所述M＝3，且三个类别分别为恶性病变组织、良性病变组织以及正常组织。
进一步地，所述穆勒矩阵获取模块为X射线透射式穆勒偏振成像仪、极紫外透射式穆勒偏振成像仪、深紫外透射式穆勒偏振成像仪、紫外透射式穆勒偏振成像仪、可见光透射式穆勒偏振成像仪、红外波段透射式穆勒偏振成像仪、X射线反射式穆勒偏振成像仪、极紫外反射式穆勒偏振成像仪、深紫外反射式穆勒偏振成像仪、紫外反射式穆勒偏振成像仪、可见光反射式穆勒偏振成像仪、红外波段反射式穆勒偏振成像仪、共聚焦穆勒偏振成像仪或者非线性穆勒偏振成像仪。
有益效果：
1、本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，首先获得待分类生物组织对应的穆勒矩阵及其穆勒偏振参数组合，再根据穆勒偏振参数组合的统计量构建偏振特征矩阵，最后由支持向量机对基于穆勒偏振技术获取的且由多个偏振特征量形成的偏振特征矩阵进行联合评估，得到生物组织的所属类别；本发明联合多个标量偏振参数(标量相位延迟、标量偏振度、标量退偏、标量双向衰减等)和多个矢量偏振参数(矢量相位延迟、矢量偏振度、矢量双向衰减等)作为关键特征来对生物组织进行分类，实现对生物组织微观结构全面的定性分析及精准的定量鉴别，能够大大减小随机因素的影响，提高分类的准确率。
2、本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，首先根据穆勒偏振参数获取生物组织对应的真彩色图，真彩色图相比传统标量偏振图像，可以提供生物组织样本更多的微观结构细节；其次，通过观察真彩色图像可以进行更全面的定性分析，再判断定性分析的结果与支持向量机定量分类的预测结果是否一致，若不一致，则再引入生物组织的病理学分析结果进行最终的判断，从而为支持向量机的机器分类提供了更多的依据，进一步提高分类的准确性。
3、本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，矢量相位延迟、偏振度、双向衰减真彩色图比标量相位延迟、偏振度、双向衰减图包含更多的样本微观结构细节，因此采用矢量偏振参数来构建对应的真彩色图可以为穆勒偏振成像与临床应用之间建立桥梁提供新的思路；同时，由于真彩色图非常直观，能够解决外行对偏振图像难以解读这一难题，建立光学与其它学科之间的桥梁。
4、本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，基于穆勒偏振成像技术传统的统计学分析方法只有在样本量趋于无穷大时，其性能才能有理论的保证，而支持向量机具有很好的小样本学习能力，因此，支持向量机结合由多个偏振参数对应的统计量组成的偏振特征矩阵可以获取现有有限样本信息下的最优解。
5、本发明提供一种基于穆勒偏振技术的生物组织结构分类系统，所需的生物组织样本无需染色与胶封等人为处理，节约时间、成本，在保证分类准确率的前提下，能够有效提高分类的效率。
附图说明
图1为目前现有的透射式穆勒偏振成像系统的示意图；
其中，101-光源、102-线偏振片、103-四分之一波片、104-聚光镜、105-样本台、106-显微物镜、107-四分之一波片、108-线偏振片、109-CCD相机、110-数据处理模块；
图2为本发明提供的一种基于穆勒偏振技术的生物组织结构分类系统的原理框图；
图3为本发明实施例提供的一种矢量偏振参数真彩色图像生成方法的流程示意图；
图4为本发明实施例提供的一种用于组织样本分类评估的方法与系统的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
实施例一
如图2所示，本发明提供了一种基于穆勒偏振技术的生物组织结构分类系统，用于对生物组织样本进行偏振特性高对比度显示及高准确率分类评估，包括穆勒矩阵获取模块、矩阵分解模块、偏振特征提取模块、M分类支持向量机、真彩色图获取模块、类别判断模块、病理分析结果获取模块，其中，M至少为2；
所述穆勒矩阵获取模块用于根据穆勒偏振成像技术获取待分类的生物组织的穆勒矩阵。例如，生物组织为皮肤组织，且皮肤组织的类别为恶性病变组织(黑色素瘤皮肤组织)、良性病变组织(色素痣皮肤组织)以及正常皮肤组织。可选的，穆勒矩阵获取模块可以为X射线透射式穆勒偏振成像仪、极紫外透射式穆勒偏振成像仪、深紫外透射式穆勒偏振成像仪、紫外透射式穆勒偏振成像仪、可见光透射式穆勒偏振成像仪、红外波段透射式穆勒偏振成像仪、X射线反射式穆勒偏振成像仪、极紫外反射式穆勒偏振成像仪、深紫外反射式穆勒偏振成像仪、紫外反射式穆勒偏振成像仪、可见光反射式穆勒偏振成像仪、红外波段反射式穆勒偏振成像仪、共聚焦穆勒偏振成像仪、非线性穆勒偏振成像仪或者其他自主搭建的能够获得穆勒矩阵的光学系统。
所述矩阵分解模块采用极分解方法对所述穆勒矩阵进行分解，得到穆勒偏振参数组合，其中，所述穆勒偏振参数组合包括标量双向衰减D，矢量双向衰减的水平线双向衰减分量DH、45°线双向衰减分量D45、圆双向衰减分量DC，标量退偏Δ的水平线退偏分量ΔH、45°线退偏分量Δ45、圆退偏分量ΔC，标量偏振度，矢量偏振度的水平线偏振度分量PH、45°线偏振度分量P45、圆偏振度分量PC，标量相位延迟R，矢量相位延迟的水平线相位延迟分量RH、45°线相位延迟分量R45、圆相位延迟分量RC以及快轴方位角。
所述偏振特征提取模块用于分别获取穆勒偏振参数组合中每个偏振参数对应的统计量组合，并将各偏振参数对应的统计量组合构成偏振特征矩阵，其中，所述统计量组合包括但不限于均值、标准差、熵、偏度、峰度以及四分位差。
所述M分类支持向量机用于接收所述偏振特征矩阵，输出待分类的生物组织的所属类别以及属于该类别的概率。
需要说明的是，真彩色图获取模块、类别判断模块以及病理分析结果获取模块是用于获取生物组织的真彩色图；由于真彩色图相比传统标量偏振图像可以提供样本更多的微观结构细节，因而能够进行更全面的定性分析。
进一步地，当M分类支持向量机输出待分类的生物组织的所属类别后，本发明采用真彩色图技术进行外部评估，其基本原理为：对一个区域进行预测后，生成该区域的真彩色图，通过观察真彩色图像进行定性分析，进而判断跟刚刚定量分类预测结果是否一致。如图3所示，是本发明提供的获取真彩色图的流程图，具体包括如下三种实现方式。
第一种：
所述真彩色图获取模块用于将矢量双向衰减的水平线双向衰减分量DH、45°线双向衰减分量D45、圆双向衰减分量DC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法将三通道合成矢量双向衰减真彩色图；
人工判断所述矢量双向衰减真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量双向衰减真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量双向衰减真彩色图得到的所属类别不相同时，获取生物组织的病理学分析结果，并将病理学分析结果作为生物组织最终所属类别。
第二种：
所述真彩色图获取模块用于将矢量偏振度的水平线偏振度分量PH、45°线偏振度分量P45、圆偏振度分量PC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法将三通道合成矢量偏振度真彩色图；
人工判断所述矢量偏振度真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量偏振度真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量偏振度真彩色图得到的所属类别不相同时，获取生物组织的病理学分析结果，并将病理学分析结果作为生物组织最终所属类别。
第三种：
所述真彩色图获取模块用于将矢量相位延迟的水平线相位延迟分量RH、45°线相位延迟分量R45、圆相位延迟分量RC分别映射为绿、红、蓝三通道，再采用真彩色图像处理算法将三通道合成矢量相位延迟真彩色图；
人工判断所述矢量相位延迟真彩色图的所属类别；
所述类别判断模块用于判断M分类支持向量机输出的所属类别与根据矢量相位延迟真彩色图得到的所属类别是否相同，若相同，则M分类支持向量机输出的所属类别为生物组织最终所属类别；
所述病理分析结果获取模块用于在M分类支持向量机输出的所属类别与根据矢量相位延迟真彩色图得到的所属类别不相同时，获取生物组织的病理学分析结果，并将病理学分析结果作为生物组织最终所属类别。
需要说明的是，在以上三种实现方式中，当M分类支持向量机输出的所属类别与根据真彩色图得到的所属类别不相同时，若生物组织的病理学分析结果与真彩色图得到的所属类别相同，则重新采集生物组织样本对M分类支持向量机训练；若生物组织的病理学分析结果与M分类支持向量机输出的所属类别相同，则结合病理学分析对真彩色图进行结构信息的重新挖掘，完善真彩色图的人工解读理论。
下面介绍所述矩阵分解模块基于Lu-Chipman理论，采用极分解方法对所述穆勒矩阵进行分解，得到穆勒偏振参数组合的详细计算过程。
M表示携带样本信息的穆勒矩阵，穆勒矩阵极分解的具体过程如下：
其中，m00～m33为穆勒矩阵中的16幅子图，MΔ为退偏矩阵，MR为相位延迟矩阵，MD为双向衰减矩阵；
通过穆勒矩阵首先可求得标量双向衰减D：
双向衰减矩阵MD表示为：
其中，T表示转置，Tu表示非偏振光的透射率，为矢量双向衰减。
矢量双向衰减三个分量分别为水平双向衰减DH、45°双向衰减D45、圆双向衰减DC，具体表示如下：
继续求取退偏矩阵，首先获得中间矩阵：
M'＝MΔMR＝MMD -1
其中，m'为M'下3×3矩阵，det(M')决定下式正负号，λ1，λ2，λ3为m'(m')T的特征根：
则可以得到退偏穆勒矩阵MΔ：
标量退偏值Δ为：
矢量偏振度的三个分量水平线偏振度PH、45°线偏振度P45、圆偏振度PC的计算公式如下：
最后求取相位延迟矩阵MR：
标量相位延迟值R：
矢量相位延迟的三个分量水平线相位延迟RH、45°线相位延迟R45、圆相位延迟RC的计算公式如下：
快轴方位角θ的计算公式如下：
其中，εijk是列维-奇维塔符号。
实施例二
基于以上实施例，本实施例提供一种用于训练M分类支持向量机的分系统，该分系统包括用于训练M分类支持向量机的训练模块、支持向量机评估模块与支持向量机调整模块，其中，所述训练模块包括数据集获取单元、矩阵分解单元、偏振特征提取单元、支持向量机获取单元以及支持向量机验证单元；所述支持向量机评估模块包括数据集获取子单元、矩阵分解子单元、偏振特征提取子单元、支持向量机测试子单元。同时，该分系统的工作流程如图4所示，每个模块的具体功能限定如下：
所述数据集获取单元用于获取已经依据病理学进行分类判定的M个类别的生物组织样本，其中，为了初步控制变量以及研究方便，可以将各类别的生物组织样本数量设置为相同，且均记为N；所述数据集获取单元还用于对每个生物组织样本圈定至少一个检测区域，同样为了研究方便，设定每个类别均圈定出K个检测区域，并将每个类别对应的K个检测区域按照设定比例随机划分入训练集和验证集；例如，数据集获取单元可以采集三甲医院病理科依据病理学进行分类判定的皮肤黑色素瘤、色素痣和正常皮肤组织样本各N例，并对每例组织样本进行分类标注圈定具体检测区域，每类型各产生K检测例次。对皮肤恶性黑色素瘤、色素痣、正常皮肤各K检测例次按照数量比例I:J随机分为训练集、验证集。
所述穆勒矩阵获取模块用于获取每个检测区域的穆勒矩阵。
所述矩阵分解单元采用极分解方法分别对各检测区域的穆勒矩阵进行分解，得到各检测区域对应的穆勒偏振参数组合。
所述偏振特征提取单元用于分别获取各检测区域对应的穆勒偏振参数组合中每个偏振参数对应的统计量组合，得到每个检测区域对应的偏振特征矩阵。
所述支持向量机获取单元用于将训练集中各检测区域对应的偏振特征矩阵作为输入，训练集中各检测区域的所属类别作为输出，对M分类支持向量机进行训练，得到备选M分类支持向量机。
所述支持向量机验证单元用于将验证集中各检测区域对应的偏振特征矩阵输入所述备选M分类支持向量机，得到备选M分类支持向量机对验证集中各检测区域的分类结果、验证集中各检测区域的分类结果与验证集中各检测区域的所属类别之间的正确率。
所述数据集获取子单元用于获取尚未依据病理学进行分类判定的M个类别的生物组织样本，且各类别的生物组织样本数量相同，均记为L；所述数据集获取单元还用于对每个生物组织样本圈定至少一个检测区域，得到测试集；例如，数据集获取子单元可以采集三甲医院病理科尚未依据病理学进行分类判定的皮肤黑色素瘤、色素痣和正常皮肤组织样本各L例，划分为测试集。
所述穆勒矩阵获取模块用于获取测试集中每个检测区域的穆勒矩阵。
所述矩阵分解子单元采用极分解方法分别对测试集中各检测区域的穆勒矩阵进行分解，得到测试集中各检测区域对应的穆勒偏振参数组合。
所述偏振特征提取子单元用于分别获取测试集中各检测区域对应的穆勒偏振参数组合中每个偏振参数对应的统计量组合，得到每个检测区域对应的偏振特征矩阵。
所述支持向量机测试子单元用于将测试集中每个检测区域对应的偏振特征矩阵输入备选M分类支持向量机中，得到备选M分类支持向量机对测试集中各检测区域的分类结果。
所述支持向量机调整模块用于根据测试集中各检测区域的分类结果以及病理学分析生成评估报告，并根据评估报告调整备选M分类支持向量机的模型参数，如核函数类型与初始网络参数，再由训练模块对调整后的备选M分类支持向量机重新进行训练，直到所述正确率符合设定要求。
需要说明的是，所述支持向量机获取单元同时对两个以上的M分类支持向量机进行训练，则得到两个以上的备选M分类支持向量机，且每个M分类支持向量机的模型参数，如核函数类型与初始网络参数不同；所述支持向量机验证单元同时对两个以上的备选M分类支持向量机进行验证，并将正确率最高的备选M分类支持向量机作为最终的M分类支持向量机。
由此可见，本发明将采集生物组织样本按照预设要求分为病理类型已知与病理类型未知两大类，对病理类型已知的样本按照预设要求进行随机划分，形成训练集与验证集，病理类型未知的样本则可以划分为测试集。然后，本发明对训练集、验证集每个样本进行穆勒偏振检测获取穆勒矩阵图像，使用极分解方法求取矢量相位延迟、矢量偏振度、矢量双向衰减各自的三个分量以及其它标量偏振参数；对上述每个偏振参数计算统计学常用参量(均值、标准差、熵、偏度、峰度、四分位差等)，产生偏振特征矩阵；最后，将上述训练集样本的偏振特征量输入支持向量机进行训练，构建区分不同类型生物组织样本的分类模型，并使用验证集样本数据进行验证，表明模型的高准确率分类能力。
当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种慢性病管理系统