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

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

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

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

该论文介绍了一种先进的高光谱皮肤镜（Hyterscope），旨在为人类皮肤分析提供高精准度和创新性的诊断和治疗。我们详细介绍了这种设备的要求和设计考虑因素，从光学配置到传感器选择，以捕捉宽频谱范围和高保真度。对 15 名个体和 160 个记录的皮肤图像的初步结果表明 Hyterscope 在识别和表征各种皮肤病变方面具有潜力，为非侵入性皮肤评估和皮肤高光谱成像领域的未来研究提供了一个有前景的途径。

Mar, 2024

通过将两个校准的多光谱实时摄像机结合成一个立体系统，我们提出了一种新方法来连续捕捉高光谱数据立方体，实现三维重建和光谱分析，以提高空间分辨率和光谱分辨率的视频流，旨在用于手术辅助监控。

Dec, 2023

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

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

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

SLIMBRAIN 是一个实时获取和处理增强现实系统，适用于从高光谱信息中分类和显示脑肿瘤组织。该系统在肿瘤切除手术过程中以每秒 14 帧的速度捕获和处理高光谱图像，同时实现癌组织的检测和定位。这种可视化表示与 LiDAR 相机捕捉的 RGB 点云重叠，实现了在捕捉和处理过程中对场景的自然导航，提高了高光谱技术对肿瘤定位的可视化和效果。整个系统已在真实脑肿瘤切除手术中得到验证。

Mar, 2024