使用机器学习方法对纳米粒子进行超谱增强成像分析

科学领域:

• 生物医学工程 生物医学工程
• 频谱学是一种光谱学.
• 机器学习 机器学习

背景情况:

• 基于纳米粒子 (NP) 的技术对于化学疗法,光动力疗法和免疫疗法等治疗中的向药物输送至关重要.
• 超光谱成像 (HSI) 为定量NP分析提供了一种无标签,最小侵入性,高通量方法.
• 目前对NP分析的HSI应用,特别是用于无标签的表征和分类,是有限的.

研究的目的:

• 开发一种新的方法,将HSI与光谱降噪和机器学习 (ML) 结合起来,以进行强大的纳米粒子分类.
• 为了应对在HSI数据中从噪音和重叠的粒子中提取信息的挑战.
• 展示HSI在推进实时,无标签的生物医学应用检测系统方面的潜力.

主要方法:

• 一个光谱角度匹配 (SAM) 算法被用于高光谱数据集的有效无证化.
• 一个支持向量机 (SVM) 算法被用于分类,使用预处理的HSI数据来提取独特的光谱特征.
• 集成的SAM-SVM算法被应用于分类多种纳米粒子类型,使用它们的独特光谱特征.

主要成果:

• 拟议的方法实现了单个纳米粒子类型的分类准确率为99.9%,对分类多个粒子类型的总准确率为99.9%.
• 通过HSI分类确定了每个纳米粒子类固有的独特光谱特征.
• 对NP分类图的可视化证实了该模型的有效性.
• 与传统的SVM方法相比,SAM-SVM算法在分类多个纳米粒子样本方面表现出更好的性能.

结论:

• 开发的SAM-SVM算法有效地克服了与HSI数据中噪音和重叠粒子相关的挑战.
• 超光谱成像,结合ML,显示了实时,无标签检测和分类纳米粒子的巨大潜力.
• 这种方法有望推进各种生物医学应用,需要精确的纳米粒子分析.