近日，北京理工大学信息与电子学院吕蒙博士、李伟教授、陶然教授，新南威尔士大学生物医学工程研究生院Nigel H. Lovell教授，以及中日友好医院肾内科李文歌教授团队共同合作，利用显微高光谱成像技术，结合高光谱图像在空间、光谱上的多种先验知识，提出了一种基于空-谱密度峰值的医学高光谱图像判别分析算法并应用于膜性肾病分类，研究结果以《Spatial-Spectral Density Peaks-Based Discriminant Analysis for Membranous Nephropathy Classification Using Microscopic Hyperspectral Images》为题，发表在美国电气和电子工程师协会医学信息工程技术领域国际顶级期刊IEEE JBHI中（IEEE Journal of Biomedical and Health Informatics, 2020影响因子:5.223）。

图1. 膜性肾病高光谱病理图像示意图

膜性肾病的传统鉴别诊断主要依靠临床症状，血清学检查和光学肾活检。但是，光学检查结果中有可能出现假阳性，并且无法检测到生化成分的变化，这对致病机理分析构成了障碍。显微高光谱成像可以揭示免疫复合物的详细成分信息，但是显微高光谱图像的高维性给图像处理和疾病诊断带来了困难和挑战。因此，如何有效利用显微高光谱图像在空间域与光谱域先验知识，进行有效诊断信息的特征提取与图像分类至关重要。

研究提出了一种基于空间光谱密度峰的判别分析的分类框架，对膜性肾病显微高光谱病理数据进行智能诊断。通过使用密度峰聚类，构建了一组描述医学高光谱图像空间和光谱域中固有结构的图形。在图嵌入过程中，通过压缩空间光谱局部类内像素，同时分离光谱间类像素，以获得免疫复合物中具有重要诊断信息的低维特征。最终通过引入支持向量机对低维空间中的像素进行分类。实验验证采用临床难以使用光学显微镜进行区分的膜性肾病数据（包括原发性膜性肾病和与乙肝相关膜性肾病）。实验结果表明，所提出的分类框架灵敏度高达99.36％，对膜性肾病的自动诊断具有潜在的临床价值，为智能医学诊断提供了新思路。

论文链接：https://doi.org/10.1109/JBHI.2021.3050483