利用多光谱成像、光谱解混和机器学习技术估算人体组织中的血红蛋白变化

《IEEE Access》：Estimating Hemoglobin Changes in Body Tissue Using Multispectral Imaging, Spectral Unmixing and Machine Learning

　　

摘要：

本研究探讨了基于机器学习的回归模型在多光谱成像数据中估计组织灌注参数的应用。我们的目标是利用光谱解混算法建立一种稳健的方法，以预测指尖脱氧血红蛋白和氧合血红蛋白的变化。通过对多光谱图像进行处理，提取基本的光谱特征及其分数浓度或丰度图，从而详细分析血红蛋白的分布情况。评估重点关注提取的丰度与血红蛋白变化之间的关系，通过使用归一化重建误差和调整后的决定系数等指标来量化模型的性能。作为验证参考，将光电容积描记法获得的脱氧血红蛋白和氧合血红蛋白的变化估计值与我们的方法进行比较。此外，还利用所提出的方法生成了表示指尖血红蛋白变化空间分布的灌注图。通过交叉验证进一步确认了回归模型的泛化能力，确保了该方法在不同数据集上的稳健性。最显著的结果显示，使用线性光谱解混和随机森林回归器时，归一化重建误差为0.009 ± 0.010，调整后的决定系数为0.988 ± 0.011。组织灌注图为指尖脱氧血红蛋白和氧合血红蛋白的变化提供了详细的可视化表示，标志着灌注监测技术取得了显著进展。