本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS25進(jìn)行相關(guān)研究。FigSpec?系列成像高光譜相機(jī)采用高衍射效率的透射式光柵分光模組與高靈敏度面陣列相機(jī)、結(jié)合內(nèi)置掃描成像及輔助攝像頭技術(shù)，解決了傳統(tǒng)高光譜相機(jī)需外接推掃成像機(jī)構(gòu)及調(diào)焦復(fù)雜等難以操作的問題?？膳c標(biāo)準(zhǔn)C接口的成像鏡頭或顯微鏡直接集成，實現(xiàn)光譜影像的快速采集。

　　據(jù)數(shù)據(jù)統(tǒng)計全球燒傷患者需要進(jìn)行醫(yī)療護(hù)理的人數(shù)接近1100萬人，在所有傷情中排名第四，高于結(jié)核病和艾滋病毒感染的總和。即使在經(jīng)濟(jì)發(fā)達(dá)的美國，每年就有200 多萬例燒傷病例，其中約有2萬名患者（1%）遭受嚴(yán)重的燒傷，需要進(jìn)入專門的病房進(jìn)行手術(shù)和護(hù)理。在燒傷學(xué)科中，準(zhǔn)確檢測患者燒傷創(chuàng)面深度是一個非常重要的研究方向，其診斷結(jié)果關(guān)系到后續(xù)創(chuàng)面的感染和增生性瘢痕的概率。目前燒傷深度的診斷主要靠臨床醫(yī)生的主觀經(jīng)驗來判斷，但其診斷準(zhǔn)確率僅為65%-70%。因此，迫切需要一種無創(chuàng)、高效的燒傷深度檢測方法。NIRSD是一種無創(chuàng)、非接觸的光譜檢測技術(shù)，可以檢測燒傷皮膚組織結(jié)構(gòu)的變化，因此可以用于皮膚燒傷深度的診斷和分析。然而，目前該方法在燒傷深度檢測領(lǐng)域的研究很少，限制了近紅外光譜技術(shù)在燒傷深度檢測中的應(yīng)用。近紅外光譜技術(shù)具有非侵入性、非接觸性和快速的特點，是最有價值的分析技術(shù)之一。該技術(shù)主要研究C-H、N-H、O-H、S-H、P-H等基團(tuán)在近紅外范圍（780~2500mm）的復(fù)頻和雙頻吸收的光譜特性I17-18，非常適合于有機(jī)物的定量分析。然而，近紅外波段的位置往往受到許多因素的影響，如溫度、被測物體的漫反射和折射等。，使得采集到的信號受到很多噪聲的干擾，無法有效表征相應(yīng)物質(zhì)的特征。為了有效提取近紅外光譜圖像信號的本質(zhì)特征，本文引入特征學(xué)習(xí)來學(xué)習(xí)光譜圖像信息，提高回歸模型的預(yù)測精度。

　　對燒傷創(chuàng)面進(jìn)行準(zhǔn)確、深入的評估，可以減輕患者的痛苦和負(fù)擔(dān)。近紅外光譜作為一種簡單、無創(chuàng)、有效的光譜檢測工具，在燒傷深度診斷方面得到了許多專家的支持和研究。然而，目前基于近紅外光譜圖像的燒傷深度主要是通過生物學(xué)理論和光學(xué)理論來評估的，對于如何利用近紅外光譜圖像數(shù)據(jù)對創(chuàng)面進(jìn)行定量深度檢測還缺乏方法。因此，本文采用特征學(xué)習(xí)方法對近紅外光譜圖像數(shù)據(jù)進(jìn)行挖掘，形成了一種基于近紅外光譜圖像特征學(xué)習(xí)的檢測方法，以高效預(yù)測燒傷創(chuàng)面組織深度。本文的主要成果如下：

　?、籴槍齻疃鹊娜珗鰴z測，提出了一種基于RSER-KNN集成回歸模型的燒傷深度檢測方法。首先對燒傷創(chuàng)面數(shù)據(jù)進(jìn)行采集和數(shù)據(jù)預(yù)處理操作，利用PCA和LDA融合算法對樣本的光譜數(shù)據(jù)信號進(jìn)行特征學(xué)習(xí)，利用子空間集成的思想構(gòu)建RSER-KNN集成回歸模型。實驗表明，在測試集的評價下，RSER-KNN模型具有很高的精度，每種樣品的燒傷深度預(yù)測值都接近黃金標(biāo)準(zhǔn)值，其中平均相對誤差低至6.7%。與其他算法相比，它具有較低的預(yù)測誤差和較高的穩(wěn)定性。RSER-KNN可以提供定量的燒傷信息和可視化深度的各種燒傷傷口。

　?、卺槍霉鈱W(xué)特征參數(shù)檢測燒傷深度的可行性研究，本文利用漫反射模型理論提取了燒傷創(chuàng)面光學(xué)特征參數(shù)的分布圖。結(jié)果可以間接反映整個創(chuàng)面組織的水含量系數(shù)、散射粒子大小和散射粒子濃度隨燒傷深度變化的規(guī)律，可以為醫(yī)生提供更多的病理診斷信息。

　?、坩槍齻麆?chuàng)面的跨域燒傷深度檢測，提出了一種基于深度遷移學(xué)習(xí)的跨域燒傷深度檢測方法。本文基于NIRSI儀器，采集了A和B兩個數(shù)據(jù)集，A為源數(shù)據(jù)集，B為目標(biāo)數(shù)據(jù)集。首先利用A面源數(shù)據(jù)集樣本對CNN回歸模型進(jìn)行預(yù)訓(xùn)練，得到高精度的深度預(yù)測結(jié)果。利用深度遷移學(xué)習(xí)方法，提高了B面目標(biāo)域數(shù)據(jù)燒傷深度的預(yù)測精度，解決了跨域燒傷數(shù)據(jù)樣本問題。實驗結(jié)果表明，CNN網(wǎng)絡(luò)在A點源數(shù)據(jù)集上的模型訓(xùn)練可以達(dá)到8.2%的平均相對損失，比控制算法高出2.6倍以上，驗證了CNN模型高效的特征學(xué)習(xí)能力和預(yù)測能力。而深度遷移學(xué)習(xí)模型CNN-transfer在跨域B目標(biāo)數(shù)據(jù)上可以達(dá)到平均相對誤差低至6.0%，有效解決了燒傷樣本的跨域問題。