使用可见近红外高光谱谱特征区分低级别冠状肉瘤和骨质肉瘤
Zhihui Gao1,2, Mengqiu Zhang3, Nan Liu4
1Shandong Academy of Chinese Medicine, Jinan, China.
Journal of biophotonics
|October 12, 2025
概括
可见近红外高光谱成像与深度学习网络相结合,可以准确地区分低度软骨髓瘤 (LGC) 与骨质软骨瘤 (OC). 这种方法为软骨瘤提供了高效和可扩展的诊断潜力.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 在瘤学瘤学.
背景情况:
- 在适当的临床管理中,准确区分低度软骨瘤 (LGC) 和骨质软骨瘤 (OC) 是至关重要的.
- 使用传统的诊断方法,区分这些软骨瘤可能是具有挑战性的.
研究的目的:
- 为了评估可见近红外高光谱成像 (400-1000nm) 与轻量级深度学习网络相结合的LGC-OC区分的有效性.
- 开发和验证用于自动化瘤分类的深度学习模型.
主要方法:
- 可见近红外高光谱数据 (400-1000nm) 获取并预处理,包括反射率校准和光滑.
- 从生物学上相关的光谱区域中提取了多层次的特征,如单频段反射率,频段比率和PCA组件.
- 一个新的1D卷积神经网络 (CNN),ChondroSpecNet,结合了多尺度卷积和残余挤压激发块,被开发用于端到端分类.
主要成果:
- 在培训期间,ChondroSpecNet 实现了0.92 的曲线下面积 (AUC),准确度为87%.
- 在一个独立的测试组中,该模型的AUC值为0.83,准确度为86%.
- 贡献分析突出了特定的可见波段低谷 (例如,472,467,501 nm) 作为高度区分的特征.
结论:
- 超光谱成像和紧的深度学习网络的结合,为LGC和OC提供了准确而高效的区分.
- 这种综合方法显示了实时临床部署的潜力,为软骨瘤诊断提供了强大的性能和可扩展性.
