НОВЫЕ ПЕРСПЕКТИВЫ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ ДЛЯ КЛИНИЧЕСКИХ ИССЛЕДОВАНИЙ

Гиперспектральная визуализация (HSI) стала инновационным новым инструментом для обнаружения и характеристики биологических образцов. HSI интегрирует цифровую спектроскопию и визуализацию для получения пространственной и спектральной информации. Система HSI обнаруживает совокупный сигнал отраженного, поглощенного и испущенного излучения на определенных длинах волн. Он может захватывать огромное количество смежных спектральных полос в электромагнитном спектре и позволяет нам ответить на вопросы, которые не могут быть решены с помощью обычного серого или цветного изображения. Данные HSI отличаются от обычных красных, зеленых и синих (RGB) изображений по спектральному разрешению. В то время как видимый (VIS) диапазон длин волн в RGB изображениях усредняется по широким областям с тремя значениями для каждого основного цвета (красный, зеленый и синий), в гиперспектральных изображениях для каждого пикселя существует спектр высокого разрешения. Следовательно, данные HSI характеризуются сотней различных спектральных каналов в каждом пикселе, увеличивая объем получаемых данных за пределами возможностей человеческого глаза. Каждый пиксель, полученный системой HSI, содержит диагностические характеристики спектрального поглощения.

Классификация данных HSI

Назначения определенному образцу на основе его спектральной информации могут быть выполнены методами пиксельной классификации, которые включают как контролируемые, так и неконтролируемые классификаторы. Для интерпретации, манипулирования и распознавания образов обычных данных обычно используется пространственная постобработка. Соответствующие фильтры в частотной области также могут быть использованы для извлечения специфических признаков. Спектральная форма и ширина пика могут быть получены с помощью тестов производных первого и второго порядков и поправок к базовой линии. Извлечение объектов затем применяется с линейным или нелинейным преобразованием, чтобы уменьшить избыточность данных путем преобразования в новое пространство с меньшей размерностью из-за избыточной информации.

Контролируемые алгоритмы классификации основаны на обучении алгоритма спектральным сигнатурам с известными метками классов. Процесс обучения должен выполняться с библиотекой спектральных сигнатур, причем каждый тип сигнатур идентифицируется как определенный класс членства. Цель состоит в том, чтобы создать библиотеку, которая является достаточно репрезентативной для целей обобщения. Контролируемое обучение сравнимо с человеческим изучением паттернов. Методы включают линейный дискриминантный анализ, деревья решений, случайный лес (RF), искусственные нейронные сети (ANNS) и методы, основанные на ядре, такие как классификатор машины опорных векторов (SVM).Другими соответствующими алгоритмами являются методы линейной и частичной регрессии, такие как PLS и LDA, имеющие проблемы с обобщением на более крупные наборы данных пациентов. В целом, эти алгоритмы сталкиваются с высокой размерностью, ограниченным количеством образцов и межпопуляционной спектральной изменчивостью при применении к медицинским данным HSI.

HSI в клинических исследованиях

В медицине HSI-это новый метод с высоким потенциалом, особенно для диагностических применений. До сих пор HSI предоставляет диагностическую информацию для анемии, гипоксии, выявления рака, выявления поражений кожи и язв, а также анализа мочевых камней. Дополнительные области применения варьируются от измерений in vivo до ex vivo, включая хирургию с наведением изображений , эндоскопию , дерматологию, макроскопические исследования образцов тканей ex vivo и гистологию.

Вывод

HSI-это быстрый, относительно недорогой метод, который обеспечивает высокую спектральную и графическую информацию. HSI прост в использовании по сравнению с другими методами в этой области.129 В будущем алгоритмы должны быть оптимизированы для избыточности и клинически нерелевантной информации, а точность HSI должна быть определена для рутинного клинического использования. Например, интраоперационная оценка краев опухоли, безопасных расстояний и пораженных лимфатических узлов с помощью HSI может предоставить хирургу важную дополнительную информацию. Для интраоперационного применения ограничения включают размер коммерчески доступных камер и необходимость специальных программных средств для интраоперационной визуализации границ опухоли и безопасных расстояний для поддержки интраоперационного принятия решений. Увеличение базы данных HSI еще больше ускорит разработку новых программных средств.