用空间意识深度学习进行3D高光谱数据分析,用于诊断应用
Ruihao Luo1,2, Shuxia Guo1,2, Julian Hniopek1,2
1Institute of Physical Chemistry (IPC) and Abbe School of Photonics (ASP), Friedrich-Schiller-Universität Jena, Helmholtzweg 4, 07743 Jena, Germany.
Analytical chemistry
|April 3, 2025
概括
具有空间意识的深度学习模型分析3D拉曼超光谱扫描可以改善结直肠癌的检测. 整合空间信息可以提高性能,而不是传统的1D方法.
科学领域:
- 频谱学是一种光谱学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 越来越多地用于拉曼光谱数据分析.
- 目前的DL方法经常忽略3D拉曼超光谱扫描中的空间信息.
- 这限制了分析复杂组织结构的潜力.
研究的目的:
- 调查使用空间意识深度学习算法用于拉曼光谱学的可行性.
- 通过保存来自3D拉曼超光谱扫描的空间信息来增强数据分析.
- 提高深度学习模型在组织分类和癌症检测中的性能.
主要方法:
- 应用了修改后的3D U-Net来对拉曼超光谱扫描进行细分.
- 使用3D卷积神经网络 (CNN) 用于使用拉曼补丁进行像素智能分类.
- 将3D空间感知方法与传统的1D CNN基线进行比较.
- 对结直肠和胆管癌组织数据集的验证结果.
主要成果:
- 具有空间意识的深度学习模型在上皮组织和结直肠癌检测方面显著提高了性能.
- 3D U-Net和3D CNN的方法表现优于1D CNN的基线.
- 整合空间信息可以提高模型的准确性,但可能会增加训练的复杂性.
结论:
- 在3D拉曼超光谱扫描中保存空间信息是可行的,并有利于深度学习.
- 空间感知方法为光谱数据分析提供了更好的性能,特别是在医疗应用中.
- 未来的研究可以利用这些发现进行先进的光谱数据分析任务.
