红外光谱成像结合化学计量学对关节软骨的分类识别

关节软骨覆盖于骨表面,是骨关节的重要组成部分之一,主要作用是在关节活动中承受力学负荷,缓冲震动以及减少摩擦。关节软骨基质的主要成分为胶原蛋白和蛋白多糖。年龄、肥胖、外伤等因素会造成关节软骨的变性甚至损伤,进一步发展可能会导致骨关节炎的发生。由于在骨关节炎早期,关节软骨仅发生组分含量和结构的变化,并不出现形态学上的改变。这使得目前常用的临床诊断技术无法有效地识别早期骨关节炎。本文尝试采用FTIRI技术结合不同的化学计量学识别算法对正常和病变关节软骨进行分类研究,寻找最优的判别模型,期望为早期骨关节炎的准确诊断开辟新的途径。其中,傅里叶变换红光谱成像技术(FTIRI)可以同时获得被测样品的红外光谱信息及其形貌特征,具备丰富的组分种类和含量信息。化学计量学方法可以有效地提取光谱中的与相关化学组分对应的特征信息,常用于光谱的定量和定性分析。其在物质的定量分析和光谱分类识别等相关领域有着广泛的应用。本研究采集了关节软骨的正常样本、8周病变样本以及2年病变样本的光谱数据,利用主成分分析(PCA)算法、Fisher判别(FDA)算法、偏最小二乘判别(PLS-DA)算法以及支持向量机判别(SVM-DA)算法分别构建判别模型,实现对正常和病变光谱的分类识别。主要内容为:(1)基于光谱预处理方法,利用PLS-DA算法对正常和2年病变组光谱进行分类识别,预测准确率为96.92%。(2)利用PCA结合FDA算法分别对未经预处理的正常软骨光谱和8周病变光谱以及2年病变光谱进行分类识别。其中,正常vs 8周病变组的预测准确率为89.23%,正常vs 2年病变组的预测准确率为92.31%。(3)利用SVM-DA算法实现正常、8周病变和2年病变光谱的多类判别,整体预测准确率为90.33%。当利用SVM-DA实现正常vs 2年病变组光谱的二类判别时,其预测准确率为97.7%。比较3种模型的分类结果发现,上述3种模型均可以有效地实现对正常和病变光谱的分类识别。其中,SVM-DA算法具有最佳的分类效果且可以有效地实现关节软骨光谱的多类识别,有潜力发展成为一种新型的早期骨关节炎诊断方法,并为进一步的研究提供理论依据和数据支持。