医疗科研新突破 | 菁易科研解析：机器学习助力生物组织穆勒矩阵完整重建

Machine Learning Approach to 3×4 Mueller Polarimetry for Complete Reconstruction of Diagnostic Polarimetric Images of Biological Tissues.

研究背景

穆勒偏振成像技术在医学诊断潜力大，但现有设备尺寸大、数据处理慢，限制临床应用。传统完整穆勒矩阵需16次测量，偏振敏感相机虽能减少尺寸和加快数据传输，却只能测前3行。为解决此问题，研究人员用机器学习重建缺失第4行元素。

方法速览

1. 数据集构建：用两个成像穆勒偏振仪收集多种生物组织穆勒矩阵图像。
2. 数据预处理：进行物理可实现性测试，排除非物理矩阵。
3. 模型训练：采用顺序神经网络，输入前12个元素，输出第4行4个元素，用Adam优化器和均方误差损失函数。
4. 性能评估：用RMSE、MAE等指标评估，进行鲁棒性测试。

主要发现

1. 高精度重建：模型能高精度预测第4行缺失元素，在IMP1数据集上表现良好，说明有准确性和鲁棒性。
2. 鲁棒性强：在未见过样本和不同类型组织上测试，模型仍表现良好，有一定泛化能力。
3. 诊断参数准确：重建矩阵计算的诊断参数图与原始数据高度相似，可靠性高。
4. 物理可实现性好：重建矩阵非物理像素少，对图像和诊断参数影响小，可省略二次测试加快处理。

总结展望

本研究首次将机器学习用于穆勒矩阵重建，模型高精度、鲁棒性强，有实时应用潜力。但深度学习模型有黑箱性质，性能依赖数据，且需强大计算资源，后续需在更多组织验证。