基于人工神经网络的生物组织质谱成像分类与识别方法

生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像...

Full description

Saved in:
Bibliographic Details
Published in:分析化学 2012, Vol.40 (1), p.43-49
Main Author: 熊行创 方向 欧阳证 江游 黄泽建 张玉奎
Format: Article
Language:Chinese
Subjects:
分类与识别
学习向量量化网络
自组织特征映射网络
质谱成像
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
cited_by
cites
container_end_page 49
container_issue 1
container_start_page 43
container_title 分析化学
container_volume 40
creator 熊行创 方向 欧阳证 江游 黄泽建 张玉奎
description 生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别,结果显示,癌变组织判错率低于23.38%,而非癌变组织判错率低于9.08%,表现出较高的准确度;对3片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分,将中间的1片用于训练,两边的2片用于验证,结果显示,自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别,具有较高准确度和操作简便等优点,在临床医学研究领域有大规模的应用潜能。
doi_str_mv 10.3724/SP.J.1096.2012.10527
format article
fullrecord <record><control><sourceid>wanfang_jour_chong</sourceid><recordid>TN_cdi_wanfang_journals_fxhx201201008</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><cqvip_id>40565335</cqvip_id><wanfj_id>fxhx201201008</wanfj_id><sourcerecordid>fxhx201201008</sourcerecordid><originalsourceid>FETCH-LOGICAL-c568-bb5397bb7bafbecf357640e9de14d755a1befc3ecfeb9a3338177bc184aeaab73</originalsourceid><addsrcrecordid>eNotj0FLAkEcxedQkJjfoEuHjrvN7H9nZ_YYUlkIBXmXmXVWN2otJbJzYnbRguoQkSeh6FBSUO3St3EdP0YbdnoP3o_3eAgtEWwCs-zVvV1z2yTYdUwLEyt11GJzKIMtCgZwCy-gXLMZSIwJwTanPIMKySAaR71xFCWfQz181HFf_1zr-EHft_XNQF8-67it44vpx9P0bTTpXiXn_aTb0aN4_NWbvnaS7svk7nvyfruI5n1x0FS5f82i0sZ6KV8wijubW_m1ouFRhxtSUnCZlEwKXyrPB8ocGyu3oohdYZQKIpXvQZoo6QoA4IQx6RFuCyWEZJBFK7PaUxH6IqyW9-snjTAdLPutWuvvNSYY85RbnnFerR5Wj4OUPGoEh6JxVrYxdSgAhV9T-XQA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于人工神经网络的生物组织质谱成像分类与识别方法</title><source>ScienceDirect Freedom Collection</source><creator>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</creator><creatorcontrib>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</creatorcontrib><description>生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别,结果显示,癌变组织判错率低于23.38%,而非癌变组织判错率低于9.08%,表现出较高的准确度;对3片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分,将中间的1片用于训练,两边的2片用于验证,结果显示,自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别,具有较高准确度和操作简便等优点,在临床医学研究领域有大规模的应用潜能。</description><identifier>ISSN: 0253-3820</identifier><identifier>DOI: 10.3724/SP.J.1096.2012.10527</identifier><language>chi</language><publisher>中国计量科学研究院,北京100013%中国计量科学研究院,北京,100013%美国普渡大学韦尔登生物医学工程学院,西拉法叶47907%北京理工大学生命科学与技术学院,北京,100081</publisher><subject>分类与识别 ; 学习向量量化网络 ; 自组织特征映射网络 ; 质谱成像</subject><ispartof>分析化学, 2012, Vol.40 (1), p.43-49</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://image.cqvip.com/vip1000/qk/93919X/93919X.jpg</thumbnail><link.rule.ids>314,776,780,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</creatorcontrib><title>基于人工神经网络的生物组织质谱成像分类与识别方法</title><title>分析化学</title><addtitle>Chinese Journal of Analytical Chemistry</addtitle><description>生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别,结果显示,癌变组织判错率低于23.38%,而非癌变组织判错率低于9.08%,表现出较高的准确度;对3片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分,将中间的1片用于训练,两边的2片用于验证,结果显示,自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别,具有较高准确度和操作简便等优点,在临床医学研究领域有大规模的应用潜能。</description><subject>分类与识别</subject><subject>学习向量量化网络</subject><subject>自组织特征映射网络</subject><subject>质谱成像</subject><issn>0253-3820</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2012</creationdate><recordtype>article</recordtype><recordid>eNotj0FLAkEcxedQkJjfoEuHjrvN7H9nZ_YYUlkIBXmXmXVWN2otJbJzYnbRguoQkSeh6FBSUO3St3EdP0YbdnoP3o_3eAgtEWwCs-zVvV1z2yTYdUwLEyt11GJzKIMtCgZwCy-gXLMZSIwJwTanPIMKySAaR71xFCWfQz181HFf_1zr-EHft_XNQF8-67it44vpx9P0bTTpXiXn_aTb0aN4_NWbvnaS7svk7nvyfruI5n1x0FS5f82i0sZ6KV8wijubW_m1ouFRhxtSUnCZlEwKXyrPB8ocGyu3oohdYZQKIpXvQZoo6QoA4IQx6RFuCyWEZJBFK7PaUxH6IqyW9-snjTAdLPutWuvvNSYY85RbnnFerR5Wj4OUPGoEh6JxVrYxdSgAhV9T-XQA</recordid><startdate>2012</startdate><enddate>2012</enddate><creator>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</creator><general>中国计量科学研究院,北京100013%中国计量科学研究院,北京,100013%美国普渡大学韦尔登生物医学工程学院,西拉法叶47907%北京理工大学生命科学与技术学院,北京,100081</general><general>北京理工大学生命科学与技术学院,北京100081</general><scope>2RA</scope><scope>92L</scope><scope>CQIGP</scope><scope>~WA</scope><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2012</creationdate><title>基于人工神经网络的生物组织质谱成像分类与识别方法</title><author>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-c568-bb5397bb7bafbecf357640e9de14d755a1befc3ecfeb9a3338177bc184aeaab73</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2012</creationdate><topic>分类与识别</topic><topic>学习向量量化网络</topic><topic>自组织特征映射网络</topic><topic>质谱成像</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</creatorcontrib><collection>维普_期刊</collection><collection>中文科技期刊数据库-CALIS站点</collection><collection>中文科技期刊数据库-7.0平台</collection><collection>中文科技期刊数据库- 镜像站点</collection><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>分析化学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>熊行创 方向 欧阳证 江游 黄泽建 张玉奎</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于人工神经网络的生物组织质谱成像分类与识别方法</atitle><jtitle>分析化学</jtitle><addtitle>Chinese Journal of Analytical Chemistry</addtitle><date>2012</date><risdate>2012</risdate><volume>40</volume><issue>1</issue><spage>43</spage><epage>49</epage><pages>43-49</pages><issn>0253-3820</issn><abstract>生物组织质谱成像技术不仅能够展示组织的生物分子信息,而且能直观地显示分子空间分布,是当今生物质谱的研究热点。如何对生物组织质谱成像的数据进行基于生物分子的有效分类与识别是该领域关注的重要问题,特别对于病变组织与其邻近非病变组织的区分与识别和生物组织功能区域的划分与鉴定具有重要的意义。本研究开发出一种新的分类与识别方法。其流程是,首先进行质谱成像数据预处理,应用无监督的自组织特征映射网络区分组织样品区与非组织区域,提取组织区域的质谱数据,应用有监督的学习向量量化网络对已知类别数据进行学习训练,建立模型;应用模型对未知样品进行识别。应用本方法对6个膀胱癌患者的膀胱癌变组织与邻近非癌变组织的质谱成像数据进行分类与识别,结果显示,癌变组织判错率低于23.38%,而非癌变组织判错率低于9.08%,表现出较高的准确度;对3片邻近的小鼠大脑切片质谱成像数据进行白质与灰质区域划分,将中间的1片用于训练,两边的2片用于验证,结果显示,自组织特征映射网络的分类结果与学习向量量化网络的预测结果不一致率低于4%。本方法基于生物分子的质谱成像组织区域分类与识别,具有较高准确度和操作简便等优点,在临床医学研究领域有大规模的应用潜能。</abstract><pub>中国计量科学研究院,北京100013%中国计量科学研究院,北京,100013%美国普渡大学韦尔登生物医学工程学院,西拉法叶47907%北京理工大学生命科学与技术学院,北京,100081</pub><doi>10.3724/SP.J.1096.2012.10527</doi><tpages>7</tpages></addata></record>
fulltext fulltext
identifier ISSN: 0253-3820
ispartof 分析化学, 2012, Vol.40 (1), p.43-49
issn 0253-3820
language chi
recordid cdi_wanfang_journals_fxhx201201008
source ScienceDirect Freedom Collection
subjects 分类与识别
学习向量量化网络
自组织特征映射网络
质谱成像
title 基于人工神经网络的生物组织质谱成像分类与识别方法
url http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-01T11%3A04%3A29IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour_chong&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E7%94%9F%E7%89%A9%E7%BB%84%E7%BB%87%E8%B4%A8%E8%B0%B1%E6%88%90%E5%83%8F%E5%88%86%E7%B1%BB%E4%B8%8E%E8%AF%86%E5%88%AB%E6%96%B9%E6%B3%95&rft.jtitle=%E5%88%86%E6%9E%90%E5%8C%96%E5%AD%A6&rft.au=%E7%86%8A%E8%A1%8C%E5%88%9B%20%E6%96%B9%E5%90%91%20%E6%AC%A7%E9%98%B3%E8%AF%81%20%E6%B1%9F%E6%B8%B8%20%E9%BB%84%E6%B3%BD%E5%BB%BA%20%E5%BC%A0%E7%8E%89%E5%A5%8E&rft.date=2012&rft.volume=40&rft.issue=1&rft.spage=43&rft.epage=49&rft.pages=43-49&rft.issn=0253-3820&rft_id=info:doi/10.3724/SP.J.1096.2012.10527&rft_dat=%3Cwanfang_jour_chong%3Efxhx201201008%3C/wanfang_jour_chong%3E%3Cgrp_id%3Ecdi_FETCH-LOGICAL-c568-bb5397bb7bafbecf357640e9de14d755a1befc3ecfeb9a3338177bc184aeaab73%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_id=info:pmid/&rft_cqvip_id=40565335&rft_wanfj_id=fxhx201201008&rfr_iscdi=true