数据模拟对训练深度学习的有用性 否认红外光谱组织学中的算法

科学领域:

• 频谱学是一种光谱学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 里埃变换红外光谱 (FTIR) 对于分析组织样本至关重要.
• 在FTIR光谱图像中的噪音使分析复杂化,并限制了采集速度.
• 减少每个像素的扫描以节省时间带来了重大的噪音挑战.

研究的目的:

• 开发和评估一种用于训练深度学习模型的方法,使用模拟数据对嵌入式胺组织的FTIR光谱图像进行无声化.
• 通过结合各种模拟的光谱特征和噪声类型来提高无声化模型的概括性和稳定性.

主要方法:

• 一个模拟的线性生成模型被开发出来,它结合了Voigt,高斯和洛伦茨的带形状和添加/乘法高斯和波松噪声.
• 创建了多个模拟数据集,以模拟来自嵌组织的真实FTIR光谱数据.
• 一个ResUNet-1D-CNN架构使用模拟数据,真实数据和两者的组合进行训练.

主要成果:

• 消噪模型的性能受到模拟光谱的特定配置的显著影响.
• 在模拟数据上训练的模型的性能与在真实数据上训练的模型相提并论.
• 真实数据和模拟数据的组合比单独的模拟数据提供了轻微的性能优势.

结论:

• 数据模拟是开发用于光谱成像的强大无雾化技术的强大工具.
• 使用模拟数据训练深度学习模型减少了对大量真实数据采集的需求,促进了更快的临床部署.
• 这种方法可以在临床环境中有效地开发FTIR光谱成像的无光化方法.