Feb, 2024

基于深度学习的高光谱图像纠正与分光 技术在脑肿瘤手术中的应用

PDF
TL;DR应用深度学习模型来矫正与解混合光谱，以提高荧光引导的神经外科中的高光谱成像 (HSI) 技术，结果表明深度学习模型能够更准确地估算荧光素 (PpIX) 的浓度，进一步改善脑肿瘤切除手术的效果。
hyperspectral imagingfluorescence-guided tumor resectiondeep learning modelsnonlinear effectsppix concentration
发现论文，激发创造
  • 基于机器学习的定量高光谱图像引导脑肿瘤切除

    使用 5-ALA 辅助荧光引导，通过高光谱成像对 184 名患有低级别和高级别胶质瘤以及其他脑肿瘤的患者的 891 个高光谱测量进行了评估，训练了四个机器学习模型以进行肿瘤分类和辨别，结果表明五个发光物质在不同组织类型中的丰度存在差异，并展示了作为光学生物标志物具有潜在价值，为荧光引导神经外科手术中的围手术期分类系统提供了新机遇。

    Nov, 2023

  • 农业与生物应用中基于深度学习的高光谱图像重建的比较分析

    利用深度学习进行高光谱图像重建，以实现农产品质量评估的成本效益和高效工具。

    May, 2024

  • 基于深度学习的农产品高光谱图像重建质量评估

    通过深度学习从 RGB 图像重建高光谱图像，可用于预测甘薯中的可溶性固形物含量，结果表明基于重建光谱的部分最小二乘回归模型优于使用全光谱范围的模型，突显了基于深度学习的高光谱图像重建作为一种低成本、高效的农业应用工具的潜力。

    May, 2024

  • 基于超光谱成像和图神经网络的稳健肿瘤分割

    利用 Hyperspectral Imaging 和 Machine Learning 相结合的方法，采用 Graph Neural Networks 以及 Convolutional Neural Network，通过对局部图像特征和空间上下文信息的建模，实现在肿瘤和健康组织之间进行准确分割的目标。

    Nov, 2023

  • 非参数视角分配预测的高光谱图像半监督学习

    本研究提出了一种半监督深度自监督预训练方法来解决高光谱图像分类中存在的维度灾难和对大量样本数据需求的问题，通过伪标签来加强半监督训练效果，实验结果表明该方法优于自监督和监督方法。

    Jun, 2023

  • 使用深度学习技术的单模态和多模态超光谱图像分析

    应用深度学习技术来处理高光谱影像的挑战，如高维度和有限空间分辨率，并通过多模态学习整合雷达和合成孔径雷达数据以提高空间分辨率。此外，采用对抗学习和知识蒸馏来解决领域差异和缺失模态的问题。通过自监督学习方法应对有限的训练样本，并通过降维的自动编码器和半监督学习技术利用无标签数据。所提出的方法在各种高光谱数据集上进行评估，并持续超越现有的最先进技术。

    Mar, 2024

  • 通过高光谱域映射学习提高视觉质量

    通过深度学习，提出了一种 SpecNet 深度架构，该架构计算光谱剖面以估计给定图像的像素动态范围调整，进而实现在低光条件下用环境一致框架生成高光谱图像，并通过自我监督和光谱剖面规则化网络来从 RGB 图像推断出可能的高光谱图像。

    Feb, 2021

  • 手术过程中基于高光谱图像的脑癌检测的时空谱分类

    开发了一种考虑到高光谱图像的空间和光谱特征的新型分类方法，帮助神经外科医生在手术过程中准确确定肿瘤边界，避免过度切除正常组织或意外剩余肿瘤，初步结果有望获得肿瘤区域的准确划分。

    Feb, 2024

  • 基于深度强化学习的术中高光谱视频自动对焦系统

    基于可调焦液体透镜和深度强化学习算法的视频自动对焦方法，改善了手持实时高光谱成像系统的焦深度限制，提高了手术中高光谱成像技术的可用性和效果。

    Jul, 2023

  • 高光谱图像分类的深度学习：综述

    本文综述了基于深度学习的高光谱影像分类方法，并比较了几种解决方案。该框架将相关工作分为光谱特征网络、空间特征网络和光谱空间特征网络三部分，最后，基于实际高光谱数据验证了几种典型的深度学习分类算法。

    Oct, 2019