Jan, 2024

表面增强拉曼光谱与转移学习在手术区域精确重建方面的应用

PDF
TL;DR本研究提出了一种机器人拉曼系统，能够可靠地定位和界定嵌入到健康组织中的肿瘤，在模拟组织中建模为选择性注入金纳米星区域。此外，通过实现迁移学习，对比控制琼脂进行了金纳米星的验证分类，从而为基于拉曼的深度学习训练流程提供了概念验证。该研究在 10.2 分钟内重建了 30x60mm 的手术区域，并实现了 98.2% 的准确度。此外，还验证了拉曼系统和分类算法不是基于样本颜色，而是基于 SERS 试剂的存在。本研究在术中肿瘤学领域中智能拉曼系统的应用上迈出了关键一步。
raman spectroscopysurface-enhanced raman spectroscopy (sers)robotic raman systemtransfer learningintelligent raman systems
发现论文，激发创造
  • 通过机器分类表面增强拉曼光谱确定痕量有机污染物浓度

    使用机器学习方法从原始拉曼数据中预测样本污染物的浓度，以及标准机器学习模型和深度学习方法在模型训练和特征选择中的准确性。

    Jan, 2024

  • 通过特征正则化提高对未知类别的抗干扰能力的开放式细菌拉曼光谱鉴别

    深度学习技术与拉曼光谱学的结合在临床环境中具有潜力，能够精确快速地鉴定病原细菌。然而，传统的封闭集分类方法假设所有测试样本属于已知病原体，其适用性有限；本研究通过开发一种新颖的 ResNet 集成模型和注意机制，结合目标空间损失函数进行特征正则化，提高了病原体检测的准确性，并有效降低了误报率。该研究提出的拉曼光谱学算法能够检测未知、未编目和新出现的病原体，为适应未来可能出现的病原体提供了灵活性，并有潜力提高在动态操作环境（如公共安全应用）中拉曼光谱解决方案的可靠性。

    Oct, 2023

  • 利用拉曼光谱和深度学习进行病原菌快速鉴定

    利用深度学习方法，通过获取最大的细菌 Raman 光谱数据集，成功实现对细菌病原体的快速识别和抗生素敏感性测试，证明了在不需要培养的情况下通过结合 Raman 光谱技术和深度学习方法对细菌菌株和抗生素抵抗性快速实现检测的潜力。

    Jan, 2019

  • 使不可见的东西变得可见：基于物理引导恢复的高质量太赫兹层析成像

    提出了一种基于多视角和多光谱特征融合的新型多子空间自注意力指导超高分辨率 THz 成像重建方法，该方法克服了强水吸收和噪声容限等挑战，取得了高质量 3D THz 断层成像效果。

    Apr, 2023

  • 非线性流形学习确定微胶体尺寸的拉曼光谱

    通过扩散映射方法和依托于拉曼光谱的数据集，建立了三个机器学习流程来准确预测从拉曼光谱中得出的聚合物颗粒大小，其中包括直接扩散映射、交替扩散映射和一种名为对等自编码器神经网络的方法。对比现有技术方法，这些自编码器在预测聚合物大小方面取得了有希望的首次突破。

    Mar, 2024

  • 妇科癌症组织亚型的稀疏数据快速高光谱光热中红外光谱成像

    通过稀疏成像方法，将中红外光热成像技术应用于卵巢癌检测，实现了数据采集速度提升 10 倍，并利用随机森林和卷积神经网络模型对超过 65 百万个数据点进行了分析，证明了该方法能够产生优秀的图像质量，并以超过 95% 的分割准确率准确区分不同的妇科组织类型。

    Feb, 2024

  • 利用近红外光谱数据基于机器学习算法在体内诊断皮肤癌

    皮肤病变、近红外光谱、机器学习算法、分类和自动辅助诊断是本研究的关键词，旨在利用近红外光谱数据对皮肤病变进行自动分类的机器学习算法进行研究及分析。

    Jan, 2024

  • 应用于洗涤剂的人工智能逆向工程：基于拉曼光谱学

    通过使用数字化工具和分析技术，例如化学计量学、机器学习、拉曼光谱、近红外光谱和质谱等，我们可以快速评估新产品对环境的潜在毒性，并可以精确鉴定和定量洗涤剂产品的成分，从而节省时间并改善污染物鉴定和污染评估的效率。

    Oct, 2023

  • 一种高度相关注释的拉曼光谱数据增强方案

    通过添加数据点并利用峰面积特性，使用卷积神经网络提高了在 Raman 光谱中监测底物、生物量和 PHA 生物聚合物浓度的能力。

    Feb, 2024

  • 使用光子吸收遥感显微术进行无标记组织学的自动全层扫描成像

    利用第一代透射式光子吸收遥感显微镜的标签自由组织学平台，以及 pix2pix 实验，全面提高了组织学诊断的效率和疾病诊断的准确性，同时允许光学方法（标签自由的）与传统染色工艺进行对比，应用广泛。

    Apr, 2023