使用卷积神经网络对人类皮肤的超光谱成像和基于RGB的组织 perfusion评估进行了比较
Matthäus Linek1, Isabel Schrader2, Kevin Strauß3
1Laser-Forschungslabor, LIFE Center, LMU University Hospital, LMU Munich, Fraunhoferstr. 20, 82152, Planegg, Germany; Department of Urology, LMU University Hospital, LMU Munich, Marchioninistr. 15, 81377, Munich, Germany.
Computers in biology and medicine
|December 3, 2025
概括
卷积神经网络 (CNNs) 显示出从超光谱成像 (HSI) 中确定组织 perfusion 索引的前景. 然而,单靠RGB图像不足以进行可靠的预测,这表明HSI数据对于准确的评估至关重要.
科学领域:
- 医学成像医学成像
- 生物医学工程 生物医学工程
- 计算生物学是一种计算生物学.
背景情况:
- 精确评估组织输液对于诊断和监测各种疾病至关重要.
- 超光谱成像 (HSI) 为定量组织分析提供了丰富的光谱信息.
- 卷积神经网络 (CNN) 在图像分析和模式识别方面已经显示出潜力.
研究的目的:
- 调查使用CNNs从RGB图像中确定 perfusion 指数的可行性.
- 为了评估在HSI数据上训练有素的CNN的表现,以预测输液指数.
- 为了比较RGB与HSI数据训练的CNN模型的准确性.
主要方法:
- 从34名志愿者获得500-1000纳米频谱范围内的HSI数据.
- 在像素级别计算四个 perfusion 指数 (NIR,StO2,THI,TWI).
- 在RGB (3频道) 和HSI (100频道) 图像上训练CNN,以预测基于 perfusion index (PIBC) 的类别.
- 评估预测准确性和引入平均预测错误 (MPE) 来评估错误分类的像素.
主要成果:
- 基于HSI的CNN模型通常比基于RGB的模型获得更高的预测准确度.
- 预测基于输液指数 (PIBC) 的8个类型的模型显示的准确性略高于32个类型的模型.
- 平均预测错误 (MPE) 分析表明,错误分类的像素主要与地面真实类相邻.
结论:
- CNNs适用于确定 perfusion 索引,但仅从 RGB 图像中进行可靠的预测是不可行的.
- 使用CNNs,HSI数据对于准确的输液指数确定至关重要.
- 改进模型架构和增加训练数据可以提高预测准确性;MPE是评估组织状况模型的有价值指标.
关键词:
卷积神经网络是一种卷积神经网络.超光谱成像技术的使用.在RGB图像中使用RGB图像.皮肤 perfusion perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤 perfusion 皮肤组织血红蛋白氧化氧化.更多相关视频
07:06Simultaneous Evaluation of Cerebral Hemodynamics and Light Scattering Properties of the In Vivo Rat Brain Using Multispectral Diffuse Reflectance Imaging
Published on: May 7, 2017
8.1K
10:35Multimodal Imaging and Spectroscopy Fiber-bundle Microendoscopy Platform for Non-invasive, In Vivo Tissue Analysis
Published on: October 17, 2016
8.2K
