基于高光谱光谱空间转移特征的瘤组织联合诊断方法
Jian Du1,2, Chenglong Tao1,2, Shuang Xue1,2
1Key Laboratory of Spectral Imaging Technology CAS, Xi'an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi'an 710119, China.
Diagnostics (Basel, Switzerland)
|June 28, 2023
概括
一种新的光谱空间转移特征方法通过结合高光谱成像和病理学数据来增强瘤组织诊断. 这种方法在快速识别胃癌和甲状腺癌方面取得了很高的准确性.
科学领域:
- 医学成像医学成像
- 计算病理学计算病理学
- 生物医学工程 生物医学工程
背景情况:
- 超光谱成像 (HSI) 对瘤组织诊断有希望,但由于医疗数据有限,它面临着挑战.
- 将HSI与传统病理学数据集成可以提高诊断准确性和效率.
- 转移学习模型可以利用大型传统数据集来克服医疗HSI数据的局限性.
研究的目的:
- 开发一种使用光谱空间转移特征的联合诊断方法,以改善超光谱技术在瘤病理学中的临床应用.
- 探索410-900nm波长范围内的瘤和正常组织之间的光谱空间转移特征的差异.
- 使用先进的计算方法建立快速准确的病理诊断解决方案.
主要方法:
- 开发了一个光谱空间转移卷积神经网络 (SST-CNN),在传统病理学数据集上进行预训练.
- 该模型应用于微高光谱图像用于瘤分类,模拟临床诊断.
- 该方法结合了微型高光谱成像与大规模的病理数据来提取特征.
主要成果:
- 该SST-CNN模型实现了高分类准确率:95.46%的胃癌和95.89%的甲状腺癌.
- 联合诊断方法显著优于仅在传统数字病理学或超频谱数据上训练的模型.
- 数据部分的解释在3分钟内完成,证明了快速诊断能力.
结论:
- 基于SST-CNN开发的联合诊断方法为快速和准确的瘤组织病理诊断提供了新的技术解决方案.
- 这种方法有效地整合了来自超频谱和传统病理学数据的光谱和空间信息.
- 该研究为高光谱病理诊断提供了坚实的理论基础,解决了特征相关性和高效转换.
