在自动诊断中研究染色样品的联合振幅和相位成像
Houda Hassini1,2, Bernadette Dorizzi1, Marc Thellier3,4
1Samovar, Télécom SudParis, Institut Polytechnique de Paris, 91120 Palaiseau, France.
Sensors (Basel, Switzerland)
|September 28, 2023
概括
定量阶段成像 (QPI) 与深度神经网络 (DNN) 结合,可以从血液涂抹中改善疟疾诊断. 包括阶段和强度在内的双模QPI数据,与单独的强度相比,提高了4%的寄生虫检测.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算显微镜的使用
- 机器学习用于医疗保健
背景情况:
- 血液涂抹的显微镜分析对于疾病诊断至关重要,但图像质量往往限制了自动化.
- 定量相成像 (QPI) 通过捕获强度和相位数据提供了丰富的样本信息,揭示了透明的细胞结构.
- 传统方法通常只使用染色样本的强度图像,忽视了有价值的相位信息.
研究的目的:
- 调查从QPI获得的双模式 (强度和阶段) 信息的实用性,以改善染色生物样本中的疾病检测.
- 为了评估深度神经网络 (DNN) 在检测疟疾寄生虫的性能,使用QPI衍生的双模式数据.
主要方法:
- 富里埃图形显微镜 (FPM) 被用作计算显微镜框架来生成QPI图像.
- 开发并训练了一种DNN,用于检测染色血液涂抹图像中的寄生红细胞.
- 仅使用强度图像与联合强度和相位 (双模) QPI 数据进行了比较.
主要成果:
- 在使用双模QPI信息时,DNN在检测疟疾寄生虫方面实现了4%的性能提升,与仅强度图像相比.
- 该研究表明,DNN可以有效地利用QPI的阶段和强度道提供的补充信息.
- 在DNN卷积中基于复杂的形式主义是有效利用双模数据的关键.
结论:
- 双模式QPI数据显著提高了DNN在染色血液涂抹中检测疟疾寄生虫的性能.
- 这些发现表明,基于QPI的双模成像技术有望改善各种医疗应用中的自动诊断.
- 将相位信息集成到DNN分析中,代表了基于微观图像的疾病诊断的宝贵进步.
