机器学习在时间域光寿命成像中的应用:一篇综述
Dorian Gouzou1, Ali Taimori2, Tarek Haloubi2
1Dorian Gouzou and Marta Vallejo are with Institute of Signals, Sensors and Systems, School of Engineering and Physical Sciences, Heriot Watt University, Edinburgh, EH14 4AS, United Kingdom.
Methods and applications in fluorescence
|December 6, 2023
概括
机器学习 (ML) 增强了医学成像,包括光终身成像 (FLIm). 这次审查强调了FLIm的进步和ML应用,建议对自动诊断进行改进,并促进FLIm的采用.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 光学组织病理学
背景情况:
- 机器学习 (ML) 和深度学习显著提升了医学成像.
- 光终身成像 (FLIm) 为诊断提供了超越光谱成像的独特终身数据.
- 目前在FLIm中的ML应用程序通常由于数据稀缺和缺乏标准化而未充分利用模型潜力.
研究的目的:
- 审查FLIM图像质量的最新发展,重点关注时间域系统.
- 总结FLIm中的ML应用,包括寿命估计和图像分析 (分类,细分).
- 提出提高FLIm中ML研究质量的策略,并鼓励更广泛的ML从业人员参与.
主要方法:
- 审查FLIm传感,信号对噪声分析,注册和跟踪方面的最新进展.
- 对FLIm数据应用的ML技术的分析,以估计寿命.
- 检查ML用于FLIm中的图像分类和细分.
主要成果:
- 改善了FLIM图像质量,特别是来自时间域系统.
- 在准确的寿命估计中证明了ML应用.
- 成功的ML驱动图像分析FLIm,使分类和细分.
结论:
- 优化ML模型需要解决FLIm数据可访问性和标准化挑战.
- 增强的ML研究可以加速自动诊断,并促进FLIm的采用.
- 进一步的ML研究人员和FLIm从业者之间的合作对于释放终身成像的全部潜力至关重要.
