从部分 Mueller 偏振数据完全重建诊断偏振图像的机器学习模型
光学
2024-09-23 v1 医学物理
摘要
成像 Mueller 偏振测量向临床实践的转化常因现有仪器体积庞大且采集速度相对较慢而受阻。使用偏振敏感相机作为探测器可减小仪器尺寸并允许以视频速率进行数据流传输。然而，仅能测量完整 4x4 Mueller 矩阵的前三行。为克服这一障碍，我们开发了一种机器学习方法，使用序列神经网络算法从测得的前三行元素重建 Mueller 矩阵的缺失元素。该算法在多种切取的人体组织（子宫颈、结肠、皮肤、脑）的偏振图像数据集上进行了训练和测试，这些图像由两台不同的成像 Mueller 偏振仪采集，分别工作在反射（宽场成像系统）或透射（显微镜）配置下，波长分别为 550 nm 和 385 nm。使用多种误差指标评估了重建性能，所有指标均证实误差值较低。训练好的神经网络算法对单个图像像素的执行时间约为 300 微秒。这表明，采用机器学习方法对所有图像像素进行并行处理，结合以视频速率工作的部分 Mueller 偏振仪，可有效替代完整的 Mueller 偏振仪，并生成生物组织的退偏、线性相位延迟和光轴取向的精确图谱，从而可用于临床环境中的医学诊断。
引用
@article{arxiv.2409.13073,
title = {Machine Learning Model for Complete Reconstruction of Diagnostic Polarimetric Images from partial Mueller polarimetry data},
author = {Sooyong Chae and Tongyu Huang and Omar Rodrıguez-Nunez and Théotim Lucas and Jean-Charles Vanel and Jérémy Vizet and Angelo Pierangelo and Gennadii Piavchenko and Tsanislava Genova and Ajmal Ajmal and Jessica C. Ramella-Roman and Alexander Doronin and Hui Ma and Tatiana Novikova},
journal= {arXiv preprint arXiv:2409.13073},
year = {2024}
}