多物理瘤组织建模用于改进多模式传感器基础诊断
概括
本研究介绍了一种数学模型,用于创建合成多式联络数据,用于训练机器学习算法. 这种方法在手术过程中增强了瘤与健康组织的分化,改善了患者的治疗结果.
科学领域:
- 生物医学工程 生物医学工程
- 在瘤学瘤学.
- 医疗成像医学成像
背景情况:
- 精确的瘤切除在瘤外科手术中至关重要,但由于内镜中的组织异质性和视觉限制而受到挑战.
- 多物理内镜传感器 (阻抗,水流弹性图) 通过捕捉不同的组织特性,可以提高组织差异化.
- 有效的传感器融合需要先进的机器学习和合的多式联网训练数据,而这些数据目前很少.
研究的目的:
- 开发一个全面的数学组织模型,用于生成多模式合成数据.
- 模拟瘤诱导的组织变化,包括细胞外基质 (ECM) 变化和细胞修饰.
- 解决结合的多式联网数据集的稀缺性,用于训练机器学习算法在瘤外科手术.
主要方法:
- 开发了一种数学组织模型,模拟瘤细胞密度对ECM和细胞的影响.
- 综合性瘤诱导的变化,如细胞骨重塑和ECM交叉链接.
- 创建了一个多式联机合成数据集,使用从真实阻抗和弹性学测量的参数识别来进行转移学习.
主要成果:
- 生成的合成数据密切模仿了真实组织阻抗和弹性学测量.
- 验证证实了合成数据在反映已知的瘤细胞密度方面的准确性.
- 该模型成功生成了适合神经网络转移学习的多模式合成数据.
结论:
- 使用数学建模的合成数据生成是克服多式联运数据集稀缺性的可行解决方案.
- 通过在合成数据上训练的机器学习来驱动的传感器融合,可以显著提高瘤手术中的组织分化.
- 这种方法为多式联络诊断提供了基础,旨在改善手术内决策和患者的结果.
