基于刺激拉曼组织学和自我监督深度学习模型的快速实时脑瘤检测
Zijun Wang1, Kaitai Han1, Wu Liu1
1Academy of Artificial Intelligence, Beijing Institute of Petrochemical Technology, Beijing, 102617, China.
Journal of imaging informatics in medicine
|February 7, 2024
概括
这项研究引入了VQSRS,这是一种更快的AI方法,用于在手术期间实时诊断脑瘤. 它增强刺激拉曼组织学 (SRH) 图像分析,帮助病理学家更快,更准确地检测癌症.
科学领域:
- 神经瘤学神经瘤学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在手术内诊断脑癌的诊断依赖于耗时的H&E染色.
- 目前的方法是劳动密集型的,延迟了手术决策.
- 刺激拉曼组织学 (SRH) 与CNN结合,提供了实时分析的潜力.
研究的目的:
- 为了提高SRH的速度和特征提取能力,用于手术内脑瘤诊断.
- 开发用于外科手术的自动化实时诊断工具.
- 为了提高脑瘤亚型的准确性和效率.
主要方法:
- 使用连贯的拉曼散射成像和自我监督的深度学习模型 (VQVAE2).
- 开发了VQSRS网络,集成了矢量量化和补丁注释代理任务.
- 在SRS显微镜系统的SRH图像上训练VQSRS模型.
主要成果:
- 与传统方法 (20-30分钟) 相比,VQSRS显著加快了SRH图像采集和分析.
- 维度减小聚类证实VQSRS的诊断能力与CNN相美.
- 该模型成功地分类了主要的大脑瘤病理类别,并确定了瘤透的区域.
结论:
- VQSRS网络提供了一个有前途的自动化实时技术,用于手术内脑瘤诊断.
- 这种由人工智能驱动的方法可以简化外科手术程序并协助病理学家.
- 通过VQSRS进行增强的SRH分析有可能改善神经瘤学中的患者护理.
