基于深度学习的高光谱图像校正和解用于脑瘤手术

科学领域:

• 医学成像医学成像
• 神经外科 神经外科
• 人工智能的人工智能是人工智能.

背景情况:

• 超光谱成像 (HSI) 通过可视化组织差异来帮助光引导的大脑瘤切除.
• 目前的HSI方法由于未经纠正的光学和几何组织变化而难以准确.
• 提高HSI的准确性可以在神经外科手术中带来更好的患者结果.

研究的目的:

• 开发和评估深度学习 (DL) 模型,用于在光导向神经外科手术中纠正和分离HSI数据.
• 为了提高原氨酸IX (PpIX) 度估计的准确性.
• 解决古典方法在处理异质组织特性方面的局限性.

主要方法:

• 提出了两个DL模型:一个监督的 (使用PpIX度标签进行训练) 和一个半监督的.
• 对已知PpIX度的幻影和猪大脑数据进行了评估.
• 评估了对人类数据的概括,并将性能与经典方法进行了比较.

主要成果:

• 监督DL模型实现了0.997 (幻影) 和0.990 (猪大脑) 的皮尔森相关系数.
• 半监督的DL模型实现了0.98 (幻影) 和0.91 (猪大脑) 的皮尔森相关系数.
• 经典方法的相关性较低 (0.93,0.82).
• 半监督模型表现出优于人类数据的概括性,在PpIX检测中,错误阳性率低36%.

结论:

• 深度学习模型显著提高了超光谱光导向神经外科手术的准确性.
• 半监督的DL方法显示出由于更好的概括性,对现实世界的临床应用有希望.
• 这些进展可以提高脑瘤切除的可视化和精度,从而有可能改善患者的治疗结果.