Feb, 2024

手术过程中基于高光谱图像的脑癌检测的时空谱分类

PDF
TL;DR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。
brain cancer surgerytumor boundarieshyperspectral imagingclassification methodneurosurgery
发现论文，激发创造
  • 脑癌检测的体内高光谱人脑影像数据库

    该研究论文介绍了在欧洲项目 HELIcoiD（高光谱成像癌症检测）的框架内开发了第一个活体人类脑组织高光谱数据库的方法，该数据库中包含了用于在神经外科手术期间实时描绘脑肿瘤的高光谱图像和超过 300,000 个光谱标记。

    Feb, 2024

  • 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

  • 高光谱临床应用的空间光谱分类器的并行实现评估

    本文通过比较五种不同高性能计算平台在处理空间 - 光谱方法分类高光谱图像时所提供的性能，评估其主要优势和缺点，研究了两种不同性能需求的医学应用：神经外科手术中的高光谱图像和皮肤病学介入中的高光谱图像，其中包括处理时间和能源效率两个主要考虑因素。

    Mar, 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

    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。

    Feb, 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

  • 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

  • 基于 3D 卷积神经网络的农作物病害缺陷分类技术综述，使用非无人机高光谱图像

    本文综述了使用基于 3D-CNN 的架构与典型的深度学习流程进行检测病害和有缺陷作物的高光谱图像分类的方法，并讨论了使用 HSI 数据时 3D-CNN 存在的挑战及开放性研究领域。

    Jun, 2023

  • 高光谱图像分类进展：基于统计学习方法的地球监测

    该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

    Oct, 2013

  • 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

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018