通过使用超光谱成像和转移学习在小肠组织中自动检测缺血性死部位

科学领域:

• 医学成像医学成像
• 生物医学工程 生物医学工程
• 计算病理学计算病理学

背景情况:

• 获得具有临床标签的细肠组织的广泛的超谱数据是具有挑战性的.
• 超频谱数据的患者间变异性使强大的自动识别模型的开发变得复杂.
• 从小数据集构建通用模型是临床应用中的一个重大障碍.

研究的目的:

• 评估高光谱成像与转移学习相结合,用于在小肠组织中自动识别正常与缺血性死部位.
• 调查转移组件分析 (TCA) 在减轻数据变化的有效性,以改善模型概括.

主要方法:

• 使用高光谱成像技术收集了来自八只白小肠组织样本的数据.
• 转移组件分析 (TCA) 用于跨不同样本的转移学习,减少数据分布的变化.
• 使用处理的超光谱数据训练了一种分类模型.

主要成果:

• 转移组件分析 (TCA) 成功降低了样本之间的数据分布变化.
• 该TCA转移学习方法显著提高了分类模型的准确性.
• 即使训练数据有限,也可以实现有效的模型性能.

结论:

• 超光谱成像与TCA转移学习相结合,提供了一种可靠的方法来检测小肠组织中的死部位.
• 这种方法使得有效的单个样本建模成为可能,解决了有限的数据和患者间的差异性所带来的挑战.
• 该研究为临床环境中自动化组织分析提供了可行的解决方案.