通过极化蒙特卡洛模拟生成的散装组织in-silico模型的管道癌的深度学习辅助识别和定位
Janaki Ramkumar1, Sujatha Narayanan Unni1
1Biophotonics Lab, Department of Applied Mechanics and Biomedical Engineering, Indian Institute of Technology Madras, Chennai-600036, India.
Biomedical physics & engineering express
|February 11, 2025
概括
这项研究引入了一种新的模拟方法,使用两极化的蒙特卡洛和深度学习来检测乳腺癌. 该方法可以准确地识别和定位瘤,提高诊断能力.
科学领域:
- 生物医学光学 生物医学光学
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 尽管有进展,乳腺癌的诊断和治疗需要持续的研究.
- 准确的瘤识别和定位对于有效的患者管理至关重要.
- 目前的方法可能会面临厚厚的组织部分和表面瘤检测的挑战.
研究的目的:
- 开发和验证一种基于模拟的方法来识别和定位乳腺癌.
- 为了提高瘤对比度和组织结构的理解,使用极化蒙特卡洛模拟.
- 评估卷积神经网络 (CNN) 的有效性,以实现自动化,实时的乳腺癌诊断.
主要方法:
- 利用极化蒙特卡洛模拟来生成组织模型穆勒矩阵.
- 使用卷积神经网络 (CNN) 进行瘤识别和定位.
- 研究了与照明相对的九个不同的空间位置,以便全面检测.
- 将CNN应用于从同步检测和定位的模拟中获得的去极化索引图像.
主要成果:
- 在检测瘤方面,CNN模型的分类准确度达到了96%.
- 即使位于直接照明区域之外,也证明了瘤的识别.
- 在实验室组织模型的子集上获得了100%的分类准确性.
- 穆勒矩阵为改善组织结构分析提供了增强的对比度.
结论:
- 两极化的蒙特卡洛模拟和CNN的综合方法为乳腺癌检测提供了一个有前途的工具.
- 开发的系统自动诊断,并使实时分析.
- 这种方法具有很高的准确性和临床应用潜力,特别是在手术样本中的表面瘤中.
