在张量空间中医疗超谱图像的无监督的维度缩小

科学领域:

• 医学成像医学成像
• 数据科学是数据科学.
• 生物医学工程 生物医学工程

背景情况:

• 医学高光谱成像 (HSI) 为癌症诊断提供了丰富的光谱波段.
• 传统的RGB图像缺乏光谱细节.
• 由于众多的光谱频段,HSI分析面临冗余信息和高计算复杂性的挑战.

研究的目的:

• 为医疗HSI引入一种新的无监督缩小维度 (DR) 方法.
• 为了提高计算效率,并保持HSI的内在3D结构.
• 通过使用基于张数的方法来克服基于矢量的DR方法的局限性.

主要方法:

• 通过基于张数的低级协作图嵌入 (TLCGE) 提出的无监督的维度缩小.
• 使用率超像素 (ERS) 细分来生成超像素.
• 在超像素上构建低级别的协作图形重量矩阵,以提高效率和稳定性.
• 在张量空间中进行了维度缩小,以保持HSI的内在结构.

主要成果:

• TLCGE在胆管癌微观高光谱数据集上表现出有效性.
• 实验结果验证了TLCGE在其他机器学习DR方法上的优势.
• 该方法成功地保留了医疗HSI的内在3D数据结构.

结论:

• TLCGE是一种有效的基于张量器的DR方法,用于医疗HSI.
• 它利用低级和稀疏的约束来探索超级像素中的本地和全球结构.
• 与其他基于张量器的DR方法相比,TLCGE提供了更好的计算效率,适用于HSI分类和细分预处理.