机器和深度学习在高光谱光引导的脑瘤手术中

科学领域:

• 神经瘤学神经瘤学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 恶性质瘤的切除是神经瘤的主要治疗方法.
• 区分瘤边缘,特别是在透区域,在手术过程中具有挑战性,即使使用光指导 (例如,5-氨基烯酸).
• 低级质瘤,超出MRI边缘的瘤以及一些缺乏可见光的高级瘤会产生困难.

研究的目的:

• 探索超光谱成像 (HSI) 方法用于手术内脑瘤边缘划分.
• 研究机器学习 (ML) 对HSI数据的应用,以改进组织分类和分子状态的确定.
• 开发一条结合经典和深度学习方法的管道,用于在脑瘤手术中处理HSI光数据.

主要方法:

• 使用脑瘤活检的ex vivo高光谱光成像.
• 开发了一种用于光谱数据预处理,光丰度测定和基于ML的分类的管道.
• 采用经典和深度学习技术进行瘤特征的光谱分析和分类.

主要成果:

• 达到高平均测试准确率:瘤类型为87%,WHO等级为96.1%,边缘组织类型为86%,IDH突变状态为93%.
• 与以前的方法相比,表现出更高的性能,无论是有还是没有光指导.
• 鉴定出光丰度是癌症组织存在的直接指标.

结论:

• 数据驱动的高光谱成像显示了在光导向手术期间对脑瘤的手术内分类的重大前景.
• 开发的ML管道有效处理HSI数据,提供关键的诊断信息.
• 这种方法为神经瘤学的外科决策和患者结果提供了潜在的进步.