Empreintes d'organes spectraux pour l'apprentissage automatique

Rapports scientifiques volume 12, Numéro d'article : 11028 (2022) Citer cet article

1978 Accès

6 Citations

14 Altmétrique

Détails des métriques

La discrimination visuelle des tissus pendant la chirurgie peut être difficile car différents tissus semblent similaires à l'œil humain. L'imagerie hyperspectrale (HSI) supprime cette limitation en associant chaque pixel à des informations spectrales de grande dimension. Alors que des travaux antérieurs ont montré son potentiel général à discriminer les tissus, la traduction clinique a été limitée en raison du manque actuel de robustesse et de généralisabilité de la méthode. Plus précisément, la communauté scientifique manque d'un atlas tissulaire spectral complet, et on ne sait pas si la variabilité de la réflectance spectrale s'explique principalement par le type de tissu plutôt que par les conditions d'acquisition individuelles ou spécifiques enregistrées. La contribution de ce travail est triple : (1) Sur la base d'un ensemble de données médicales HSI annotées (9059 images de 46 porcs), nous présentons un atlas tissulaire présentant les empreintes spectrales de 20 organes et types de tissus porcins différents. (2) En utilisant le principe d'analyse de modèles mixtes, nous montrons que la plus grande source de variabilité liée aux images HSI est l'organe observé. (3) Nous montrons que la différenciation tissulaire entièrement automatique basée sur HSI de 20 classes d'organes avec des réseaux de neurones profonds est possible avec une grande précision (> 95%). Nous concluons de notre étude que la discrimination automatique des tissus basée sur les données HSI est faisable et pourrait donc aider à la prise de décision peropératoire et ouvrir la voie à des systèmes de chirurgie assistée par ordinateur sensibles au contexte et à la robotique autonome.

La discrimination des conditions tissulaires, des pathologies et des structures critiques des tissus sains environnants pendant la chirurgie peut être difficile étant donné que différents tissus corporels semblent similaires à l'œil humain. Alors que l'imagerie peropératoire conventionnelle est limitée en imitant l'œil humain, l'imagerie hyperspectrale (HSI) supprime cette restriction arbitraire d'enregistrer uniquement les couleurs rouge, vert et bleu (RVB). HSI fonctionne en attribuant à chaque pixel d'une image numérique bidimensionnelle conventionnelle une troisième dimension d'informations spectrales. Les informations spectrales contiennent l'intensité de réflectance spécifique à la longueur d'onde de chaque pixel. Il en résulte un cube de données tridimensionnel avec deux dimensions spatiales (x, y) et une troisième dimension spectrale (λ). HSI a trouvé des applications dans divers domaines tels que la géologie et les études maritimes, l'agriculture, l'industrie alimentaire, le tri automatisé des déchets1,2 et a récemment été utilisé lors d'une mission spatiale de la NASA sur Mars.

Au cours des dernières années, des efforts considérables ont été déployés pour mettre en œuvre la technologie HSI dans les soins de santé. Des exemples d'applications cliniques futures potentielles comprennent l'évaluation quantitative de l'oxygénation tissulaire et de la perfusion sanguine3,4, l'inflammation et la septicémie5, l'œdème6 ou la malignité7 ainsi que la prise de décision assistée par ordinateur et l'identification automatisée des organes8. Ceux-ci ont le potentiel de soutenir les développements futurs tels que les systèmes d'assistance cognitive peropératoire ou encore l'automatisation de la chirurgie robotique. Malgré les recherches prometteuses, la traduction clinique de la différenciation tissulaire automatique basée sur le HSI n'a pas encore été réalisée. Cela peut être attribué à un manque actuel de robustesse et de généralisabilité, qui sont les exigences les plus importantes pour une application clinique. À cet égard, plusieurs questions de recherche ouvertes demeurent. Plus précisément, la variabilité des mesures HSI peut résulter des différences inhérentes entre plusieurs types de tissus sous observation (effet souhaité), mais également de la variabilité inter-sujets ou de la variabilité des conditions d'acquisition d'images (les deux indésirables). Nous n'avons connaissance d'aucun travail antérieur ayant systématiquement étudié ce sujet important et nous visons en fin de compte à fournir une compréhension approfondie des données d'organes hyperspectrales, à illustrer le potentiel des analyses basées sur le HSI et à présenter des données de base solides sur lesquelles d'autres études peuvent s'appuyer.

Pour la caractérisation automatique des tissus basée sur les données HSI, les deux propriétés suivantes sont hautement souhaitables : premièrement, les spectres correspondant aux différents organes doivent différer sensiblement les uns des autres. Et deuxièmement, les spectres du même organe doivent être relativement constants dans les conditions d'acquisition d'images et les individus. Dans cette optique et compte tenu du manque de littérature souligné dans la section ci-dessus, la contribution de ce travail est triple :

Empreintes spectrales : nous présentons la première analyse complète des propriétés spectrales des tissus pour un large éventail d'organes physiologiques et de types de tissus dans un modèle porcin. Sur la base de 9 059 images de 46 porcs et de 17 777 annotations, nous générons des empreintes spectrales spécifiques pour un total de 20 organes.

Analyse de variance : Nous montrons que la plus grande partie de la variance spectrale peut être expliquée par des différences d'organes.

Classification des organes et des tissus basée sur l'apprentissage automatique avec HSI : Nous démontrons qu'un réseau de neurones peut distinguer les classes d'organes avec une grande précision (> 95 %), ce qui suggère que le HSI a un potentiel élevé de discrimination peropératoire des organes et des tissus.

Ce projet donne un aperçu de la réflectance spectrale de 20 organes porcins dans un nombre total de 9059 images chez 46 animaux (Fig. 1). Nos données montrent que différents organes présentent des spectres caractéristiques, ainsi appelés "empreintes digitales" d'organes. Comme on le voit dans les courbes de réflectance spécifiques au porc gris de la figure 1, la variation des mesures spectrales peut résulter non seulement de l'organe, mais également des individus et/ou des conditions de mesure spécifiques. Un objectif clé de ce travail était donc de quantifier l'effet des différentes sources de variation.

Atlas tissulaire comprenant les empreintes digitales spectrales de 20 organes et types de tissus spécifiques. Estomac (A = 39 ; n = 849), jéjunum (A = 44 ; n = 1546), côlon (A = 39 ; n = 1330), foie (A = 41 ; n = 1454), vésicule biliaire (A = 28 ; n = 526), pancréas (A = 31 ; n = 530), rein (A = 42 ; n = 568), rate (A = 41 ; n = 1353), vessie (A = 32 ; n = 779), épiploon (A = 23 ; n = 570), poumon (A = 19 ; n = 652), cœur (A = 19 ; n = 629), cartilage (A = 15 ; n = 586), os (A = 14 ; n = 537), peau (A = 43 ; n = 2158), muscle (A = 15 ; n = 560), péritoine (A = 28 ; n = 2042), veine cave (A = 15 ; n = 353), rein avec fascia de Gerota (A = 18 ; n = 393), liquide biliaire (A = 13 ; n = 362). A indique le nombre d'animaux; n indique le nombre total de mesures. Les graphiques illustrent la réflectance moyenne (ℓ1-normalisée au niveau du pixel) des porcs individuels (gris) ainsi que la moyenne globale (bleu) ± 1 écart type (SD) (noir) avec des longueurs d'onde de 500 à 1000 nm sur l'axe des x et réflectance en unités arbitraires sur l'axe y.

Afin d'illustrer la variabilité du HSI résultant des individus et des conditions de mesure, l'incorporation de voisins stochastiques à distribution t (t-SNE)9 a été appliquée à nos données normalisées ℓ1 (Fig. 2). Il montre que si certains types de tissus tels que la rate et le foie forment des grappes très isolées, d'autres organes tels que l'estomac, le pancréas et le jéjunum ont tendance à se chevaucher, indiquant une distinction plus faible.

Visualisation de la similarité spectrale avec l'incorporation de voisins stochastiques à distribution t (t-SNE) en tant qu'outil de réduction de dimensionnalité non linéaire sur les données normalisées ℓ1 ; un point représente le spectre médian dans une région d'intérêt (ROI) d'un organe dans une image d'un porc. On peut voir que des organes tels que la rate et le foie forment des grappes isolées, tandis que d'autres organes tels que le jéjunum se chevauchent avec le reste.

Pour quantifier l'effet de différentes sources de variation, nous avons appliqué des modèles mixtes linéaires sur un sous-ensemble hautement standardisé de données obtenues à partir de 11 porcs (P36 – P46, comme illustré dans la Fig. 1 supplémentaire). L'analyse a d'abord été réalisée pour tous les organes (Fig. 3) puis stratifiée par organe (Fig. 4). Dans l'analyse pour tous les organes, à chaque longueur d'onde, la proportion de variation expliquée10 de la réflectance observée a été décomposée en composantes « organe », « porc », « angle », « image » et « répétition », où « angle » décrit la proportion de variation expliquée par l'angle entre la surface de l'organe et l'axe optique de la caméra, « image » décrit la proportion de variation expliquée par différentes mesures prises à partir de différentes positions d'organes chez le même porc ou par des variations dans les zones annotées, et « répétition » décrit la proportion de variation expliquée par plusieurs enregistrements de la même image dans des conditions de mesure identiques.

Sources de variation des données hyperspectrales. (Proportion de) la variabilité de la réflectance expliquée par chaque facteur à l'aide de modèles mixtes linéaires. Les facteurs incluent « organe », « cochon », « angle », « image » et « répétition ». Pour chaque longueur d'onde enregistrée, un modèle mixte linéaire indépendant a été ajusté avec des effets fixes pour les facteurs "organe" et "angle" ainsi que des effets aléatoires pour "cochon" et "image". La variation entre les répétitions était donnée par la variation résiduelle. Plus la proportion de variabilité pour "l'organe" est grande, plus la réflectance peut être considérée comme caractéristique de l'organe. Les zones ombrées représentent des intervalles de confiance à 95 % (point par point) basés sur le bootstrap paramétrique. Les nombres représentent la médiane sur les longueurs d'onde.

Sources de variation des données hyperspectrales stratifiées par organe. Analyse de la variation expliquée stratifiée par organe à l'aide de modèles mixtes linéaires. Pour chaque organe et chaque longueur d'onde, des modèles mixtes linéaires indépendants ont été équipés d'effets fixes pour "angle" et d'effets aléatoires pour "cochon" et "image". La variation entre les répétitions est donnée par l'écart-type résiduel expliqué. Les zones ombrées représentent des intervalles de confiance à 95 % (point par point) basés sur le bootstrap paramétrique. Les nombres sur chaque sous-parcelle représentent la médiane sur les longueurs d'onde.

Notre analyse a été réalisée pour des spectres médians normalisés ℓ1. Nos résultats suggèrent que le principal facteur d'influence sur la variation des données HSI à travers les longueurs d'onde était le facteur "organe" avec une proportion moyenne de variabilité expliquée de 83,4 %. Le facteur « image » explique en moyenne 13,8 % de la variation tandis que les autres facteurs n'expliquent qu'une variation négligeable avec 2,3 % pour « cochon », 0,1 % pour « angle » et 0,2 % pour « répétition ». Cela suggère que les données HSI sont bien plus caractéristiques des organes que des sujets observés ou d'autres facteurs d'influence. Le pourcentage auquel la variance de la réflectance était expliquée par les composants variait légèrement à travers différentes parties du spectre électromagnétique enregistré. La variabilité expliquée par les organes a diminué pour les longueurs d'onde inférieures à 900 tandis que le porc et l'image ont joué un rôle croissant.

Lors de la stratification par organe, la variance de la réflectance a été décomposée en les mêmes composants, sauf "organe". Selon la figure 4, "l'angle" et la "répétition" expliquent une partie négligeable de la variance dans tous les organes, à l'exception de la rate où une certaine variation expliquée de l'angle peut être observée pour certaines longueurs d'onde. Pour "porc" et "image", des différences entre les organes sont présentes. Pour les organes où toutes les lignes sont relativement proches de zéro (par exemple l'estomac), il y a peu d'hétérogénéité de réflectance entre les différentes images et les porcs, ainsi ces organes présentent les signatures spectrales caractéristiques des organes les plus prononcées. D'autre part, les organes avec des niveaux plus élevés de variance expliquée pour les composants « porc » et « image » (par exemple, la vésicule biliaire) avaient par conséquent moins de signatures spectrales caractéristiques des organes. Les classes d'organes avec les niveaux cumulatifs les plus élevés de courbes de variance expliquées par des facteurs autres que "l'organe" et donc les signatures spectrales les moins caractéristiques de l'organe à travers les observations étaient la rate et la vésicule biliaire (texte supplémentaire 3 et tableau supplémentaire 1).

Pour certains organes, comme le cœur, la réflectance variait fortement entre les porcs (valeur pour « porc » relativement élevée), mais relativement peu au sein d'un porc (valeur pour « image » comparativement faible). Ainsi, les réflectances mesurées pour les cœurs étaient hétérogènes d'un porc à l'autre. D'autre part, pour d'autres organes, l'hétérogénéité chez les porcs (c'est-à-dire entre les images du même porc) était un peu plus grande (valeur pour "image" élevée) qu'entre les porcs (valeur pour "cochon" faible), par exemple le rein avec le fascia de Gerota. Ainsi, la réflectance mesurée pour le rein avec le fascia de Gerota a tendance à être homogène d'un porc à l'autre, mais une seule image de rein avec le fascia de Gerota peut ne pas être fiable en raison de l'hétérogénéité au sein d'un porc.

Une approche basée sur l'apprentissage en profondeur a été utilisée pour classer les annotations de 20 classes d'organes à partir des spectres présentés ci-dessus avec une précision moyenne de 95,4 % ± 3,6 % sur l'ensemble des porcs sur un ensemble de tests de retenue. Les erreurs de classification sont des annotations d'organes qui n'ont pas été attribuées à la bonne classe d'organes, mais à l'une des 19 autres classes et ne se sont produites que pour 486 annotations sur 9895 dans l'ensemble de test (Fig. 5). Alors que 16 des 20 classes d'organes ont été classées avec une sensibilité moyenne ≥ 90 % sur tous les porcs d'essai, la plus petite sensibilité moyenne sur tous les porcs d'essai a été obtenue pour les classes d'organes vésicule biliaire (74,0 %) et cœur (73,9 %), qui étaient en moyenne chez les porcs le plus souvent confondus avec la vessie et les reins, respectivement. Dans toutes les classes d'organes, la sensibilité moyenne était de 93,0 % ± 6,3 %, tandis que la spécificité moyenne était de 99,8 % ± 0,2 % et un score F1 moyen de 92,3 % ± 6,5 % a été atteint.

Résultats de la classification des organes basée sur l'apprentissage en profondeur. (a) matrice de confusion qui a été générée pour un ensemble de tests d'exclusion comprenant 9895 annotations à partir de 5293 images de 8 porcs qui ne faisaient pas partie des données d'entraînement. Les matrices de confusion ont été calculées et normalisées par colonne (c'est-à-dire divisées par la somme des colonnes) par porc sur la base du nombre absolu d'annotations (mal)classées. Ces matrices de confusion normalisées ont été moyennées sur tous les porcs tout en ignorant les entrées inexistantes (par exemple en raison d'organes manquants pour un porc). Chaque valeur de la matrice représente ainsi la fraction moyenne des annotations qui ont été étiquetées comme classe de colonne et prédites comme classe de ligne. Les chiffres entre parenthèses représentent l'écart type entre les porcs. Les valeurs nulles ne sont pas affichées dans la matrice de confusion afin d'améliorer la visibilité. Étant donné que plusieurs organes peuvent apparaître sur la même image, le nombre d'annotations dépasse le nombre d'images. (b) Image exemplaire avec plusieurs annotations d'organes par un expert. (c) Organes classés par apprentissage en profondeur.

La discrimination visuelle et l'évaluation des tissus biologiques ne sont pas triviales, car différents tissus et structures corporelles semblent souvent similaires à l'œil humain. Parce que l'imagerie optique conventionnelle pendant la chirurgie ne différencie que le rouge, le vert et le bleu en imitant la vision humaine, son bénéfice peropératoire est parfois limité. HSI, n'étant pas soumis à cette restriction et englobant beaucoup plus d'informations, est une modalité d'imagerie exceptionnelle avec un grand potentiel pour l'identification et l'évaluation des tissus. Bien que son utilisation actuelle en médecine soit en constante augmentation, le plein potentiel de cette modalité d'imagerie n'a pas été exploité. Cela peut être attribué à des questions de recherche ouvertes concernant la robustesse et la généralisabilité des données HSI.

Les propriétés structurelles des tissus provoquent des différences dans les caractéristiques spectrales qui pourraient être suffisamment importantes pour être utilisées dans la différenciation appropriée des organes et d'autres applications cliniques. Cependant, la littérature existante sur les mesures spectrales s'est principalement concentrée sur des pigments biologiques spécifiques tels que l'hémoglobine, la porphyrine et la mélanine11,12, et n'a guère abordé la complexité des caractéristiques spectrales dans divers tissus et organes. Pourtant, il existe de nombreuses publications sur les caractéristiques spectrales des organes et elles ont sans doute constitué la base de l'application actuelle du HSI en chirurgie. Cependant, la littérature actuelle présente des limites avec des mesures avec une résolution de longueur d'onde inférieure13,14, du matériel ex-vivo15 ou des mesures avec une technologie incompatible et incomparable qui ne permet pas la comparaison entre différentes études. D'autres publications sont très détaillées, mais fournissent des données moins intuitives se concentrant sur la diffusion optique au lieu de la réflectance ou de l'absorbance16. Malgré le grand avantage que ces sources de littérature ont fourni à notre communauté16, jusqu'à aujourd'hui, il n'existe pas de base de données systématique ni d'enquête sur les spectres de réflectance pour une variété d'organes physiologiques dans une cohorte plus large, ni pour les humains ni pour les animaux.

Les exigences catégorielles pour une telle base de données HSI médicale spectrale servant de travail de référence sont la précision, l'uniformité et la comparabilité de l'appareil de mesure, ce qui a été exigé par la communauté HSI au cours des années précédentes17. Alors qu'au cours des décennies précédentes, le HSI était introuvable en médecine, des efforts considérables ont été déployés pour mettre en œuvre cette technologie dans les soins de santé au cours des dernières années. Cependant, la plupart des systèmes HSI initialement développés étaient des prototypes faits maison et des solutions maison de diverses institutions du monde entier, variant en résolution spectrale et en gamme ainsi que des détecteurs et des composants optiques utilisés17,18,19,20,21,22, 23,24,25,26,27. Bien que des informations très intéressantes pour diverses applications médicales aient été obtenues avec ces solutions provisoires, elles manquaient de standardisation et de comparabilité, car d'autres groupes de recherche auraient dû obtenir les pièces individuelles et construire eux-mêmes ces appareils de mesure17. En outre, il existe une grande variabilité, par exemple, dans les plages spectrales, l'éclairage, les composants optiques tels que les filtres et la résolution spatiale. Ces aspects ont rendu impossibles les grands essais cliniques durables et la recherche multicentrique systématique. Une grande variété de dispositifs a pu être observée en termes de résolution spectrale, de détecteurs, de dispositifs dispersifs et de régions spectrales couvertes par différents dispositifs allant de 200 nm à 2500 nm17.

Le système de caméra HSI utilisé dans ce projet est le premier système disponible dans le commerce et médicalement certifié répondant à la plupart des exigences susmentionnées, cependant, seule une gamme de longueurs d'onde limitée peut être enregistrée (500-1000 nm) et la gamme visible n'est pas entièrement couverte. Alors que les systèmes HSI précédents et moins standardisés étaient efficaces pour l'étude de questions de recherche spécifiques et isolées, la reproductibilité et la généralisabilité des systèmes disponibles dans le commerce ont sensiblement favorisé une augmentation des efforts de recherche concernant le HSI. Un indicateur de ces efforts de recherche accrus peut être vu dans l'augmentation du nombre de projets de recherche au cours des dernières années, y compris des études animales avec des rats28 et des porcs29,30,31,32, des documents de conférence33,34, des revues narratives35,36,37 et autres publications38,39. Avec ce nouveau système et ses avantages, un accent particulier a de nouveau été mis sur les essais cliniques précoces à caractère exploratoire1,40,41,42,43,44,45,46,47,48,49,50,51,52,53, 54,55. Cependant, il existe de nouvelles possibilités qui n'ont pas encore été exploitées. Celles-ci incluent principalement la caractérisation spectrale des tissus biologiques et la complémentation d'une grande base de données HSI médicale avec l'apprentissage automatique et l'apprentissage en profondeur. Certaines études ont déjà caractérisé spectralement des aspects uniques de tissus biologiques tels que les différences entre des entités cancéreuses spécifiques et leurs tissus physiologiques apparentés56. Cependant, ces études ont été le plus souvent menées avec des configurations non reproductibles ou parfois réalisées in vitro sans connaissance de la perfusion tissulaire, ce qui pourrait être acceptable pour des tissus bradytrophiques spécifiques, mais conduit à des limites d'applicabilité à la majorité des organes généralement bien perfusés57. De plus, la plupart des études existantes jusqu'à présent ne mettent en évidence que des aspects médicaux spécifiques et n'élargissent pas suffisamment la compréhension générale des caractéristiques spectrales des tissus.

Les principes de la différenciation tissulaire spectrale ont déjà été prouvés avec succès, mais uniquement en chirurgie laparoscopique avec peu d'informations multispectrales et, surtout, dans moins de classes d'organes58,59. La question à l'origine de la présente étude était de savoir si ces différences spectrales seraient suffisamment fortes pour être détectées par un système HSI et par la suite suffisamment cohérentes pour caractériser les organes et rendre la différenciation des organes possible.

Pour la toute première fois, le HSI a été appliqué dans le but de (1) caractériser systématiquement les propriétés spectrales de différents types de tissus dans un modèle porcin, (2) analyser dans quelle mesure ces spectres sont influencés par le type d'organe ou de tissu par rapport aux effets indésirables tels que comme la variabilité inter-sujets et les variations des conditions d'acquisition d'images et (3) démontrer que la classification automatique des tissus basée sur l'apprentissage automatique, même avec un nombre inhabituellement élevé de classes, peut être obtenue avec une grande précision. Un nombre total de 20 organes porcins différents ont été enregistrés avec HSI. La base de données résultante comprend 9 059 enregistrements avec 17 777 régions d'organes annotées.

Les empreintes digitales spectrales de ces organes ont été extraites de la Fig. 1 et t-SNE a été choisi pour évaluer visuellement la différenciation des spectres HSI respectifs (Fig. 2). Alors que les distances euclidiennes doivent être interprétées avec prudence dans les illustrations bidimensionnelles à partir de données de grande dimension, le regroupement et le chevauchement donnent une bonne indication de la différentiabilité des spectres sous-jacents. Il était maintenant essentiel d'évaluer dans quelle mesure les différences de réflectance pouvaient être attribuées à l'organe ou au porc individuel ou au bruit à partir d'autres facteurs définis et non définis, car cela déterminerait l'utilité générale des données HSI.

Les modèles mixtes linéaires pourraient montrer que la plus grande proportion de la variabilité de la réflectance spectrale était attribuée au facteur « organe » au lieu de « cochon », « angle », « image » et « répétition ». Cela suggère que les contributions des différences interindividuelles et des conditions d'acquisition d'images étaient dominées par les différences d'organes. Alors que les conditions d'acquisition d'images telles que l'éclairage étaient hautement standardisées, une sur-standardisation artificielle a été consciemment évitée afin de toujours se conformer aux conditions de la salle d'opération réelle. Parmi les autres facteurs expliquant la variabilité de la réflectance spectrale, "l'image" était le plus pertinent, ce qui indique que différentes régions d'un même organe présentent des différences spectrales. Les explications possibles de cette découverte sont une distribution inhomogène des tissus conjonctifs, des vaisseaux sanguins et de la fibrose dans chaque organe, différents niveaux de volumes sanguins contenus en raison de la tension à la surface des tissus ou du péristaltisme. Cette idée explicitement pour le facteur d'influence "l'image" est très pertinente lors de l'examen des applications et des essais peropératoires possibles dans la vie réelle, car elle - en fonction de la profondeur de l'analyse - implique la nécessité d'enregistrer différentes zones de l'organe sous investigation comme nous l'avons fait. .

Un algorithme d'apprentissage automatique avait une précision moyenne de plus de 95 % dans un ensemble de tests indépendant pour identifier les classes d'organes sur des régions pré-annotées, faisant de ce travail une solide preuve de concept pour la classification automatique des tissus avec l'apprentissage automatique basé sur les données HSI. Il faut cependant considérer que l'annotation sémantique automatique des scènes pourrait encore présenter un autre défi. De plus, nous n'avons considéré que le spectre médian d'une région pré-annotée dans un enregistrement, ignorant ainsi les informations de texture et de contexte, qui peuvent encore améliorer l'identification des organes. Notamment, d'excellents résultats de classification pourraient déjà être obtenus malgré la limitation de l'entrée du réseau neuronal à la réflectance des organes sans informations de texture. Les organes ayant une composition cellulaire similaire tels que l'estomac et le jéjunum ont montré des spectres de réflectance similaires, mais pouvaient encore être bien différenciés. Les erreurs de classification se produisaient principalement entre la vessie et la vésicule biliaire, les reins et le cœur ou la veine cave et les os.

Outre l'investigation des organes physiologiques, l'investigation systématique des états pathologiques est également importante et doit inclure l'ischémie tissulaire, la stase, l'inflammation et la malignité. Le fait que ces états d'organes non physiologiques ne peuvent pas être délibérément induits chez les patients pour des raisons éthiques nécessite l'utilisation d'un grand modèle animal avec des caractéristiques de type humain et des propriétés spectrales connues des tissus et a marqué la raison du choix d'un modèle porcin pour la présente étude, qui fournit une base pour l'analyse future des spectres tissulaires pathologiques.

Pour une bonne interprétation des résultats de ce travail, certaines limitations inhérentes à la technologie HSI doivent être prises en compte. Une limitation est la résolution temporelle relativement faible des systèmes HSI actuels avec un seul enregistrement toutes les 30 s et environ sept secondes de temps d'enregistrement chacun. Alors que des dispositifs plus compacts et plus rapides sont en cours de développement60, cette limitation restreint actuellement les champs d'application possibles. Cependant, cela ne remet pas en cause la validité des données présentées dans ce travail. Dans les domaines d'application qui nécessitent une résolution temporelle plus élevée, mais pas nécessairement une résolution de longueur d'onde à grain fin, l'imagerie multispectrale (MSI) offre une solution61,62. MSI permet une imagerie proche du débit vidéo et peut très probablement être considérablement affiné en tenant compte des informations issues de la recherche HSI.

Une autre limitation de HSI est la profondeur de pénétration généralement courte et dépendante de la longueur d'onde de la lumière dans les tissus biologiques. L'augmentation des profondeurs de pénétration entre 700 et 1000 nm devait être prise en compte lors de la mesure de tissus d'une épaisseur inférieure à quelques millimètres comme l'épiploon. Par conséquent, une inspection visuelle a permis de s'assurer que l'épiploon n'était mesuré qu'aux sites d'une épaisseur suffisante. La tomographie photoacoustique, une technologie capable de pénétrer plus profondément dans les tissus biologiques, pourrait aider à fournir des informations supplémentaires lorsqu'elle est utilisée en complément de HSI63.

D'autres limitations surviennent en raison de la résolution spatiale de seulement 680 × 480 pixels (largeur × hauteur). Les organes avec des surfaces plus petites, par exemple la vésicule biliaire, étaient plus difficiles à annoter que les autres, car moins de pixels étaient disponibles. Outre les limitations technologiques, l'identification des tissus présentés reposait sur des régions d'intérêt pré-annotées (ROI). La segmentation sémantique des organes devra être abordée dans les études futures.

Ce travail est le premier à étudier systématiquement les propriétés spectrales et les relations des organes au sein d'une large cohorte de classes d'organes et d'individus. En utilisant une approche hautement standardisée, nous avons pu extraire les empreintes spectrales de chaque organe et étudier les facteurs influençant les propriétés spectrales. Nous avons pu fournir la preuve que les types de tissus et non l'animal individuel ou les conditions d'enregistrement étaient le facteur le plus influent pour le spectre de réflectance, ce qui est de la plus haute importance lorsque nous essayons d'évaluer la valeur possible du HSI pour les applications médicales. Cette étude peut être considérée comme un ouvrage de référence ouvrant la voie à une évaluation plus approfondie des organes spectraux (par exemple, des états tissulaires pathologiques), qui nécessite une connaissance précise des caractéristiques spectrales des tissus physiologiques. Les applications futures possibles basées sur ces résultats incluent l'augmentation de la prise de décision assistée par ordinateur, les systèmes d'assistance cognitive peropératoire ou encore l'automatisation de la chirurgie robotique. On peut s'attendre à ce que notre principale découverte de modèles de réflectance dépendant des organes soit confirmée dans les données humaines. Pour établir fermement le HSI en médecine clinique, une traduction de cette étude en données humaines sera essentielle.

Cette étude animale a été approuvée par la commission de l'expérimentation animale du conseil régional du Bade-Wurtemberg à Karlsruhe, Allemagne (G-161/18 et G-262/19). Tous les animaux utilisés dans le laboratoire expérimental ont été gérés conformément aux lois allemandes sur l'utilisation et les soins des animaux, et conformément aux directives du Conseil de la Communauté européenne (2010/63/UE) et aux directives ARRIVE64. Des porcs réguliers (Sus scrofa domesticus) d'un poids moyen de 35 kg ont été choisis comme organisme modèle4,65,66,67,68. Les données de 46 porcs ont été incluses dans les analyses.

Conformément à la norme et au protocole institutionnels, les porcs ont été affamés 24 h avant la chirurgie avec un accès gratuit à l'eau. Les calculs pharmacologiques adaptés au poids vif sont généralisés pour un porc de 40 kg. La sédation initiale a été réalisée avec une injection intramusculaire adaptée au poids de l'azapérone neuroleptique (Stresnil® 40 mg/ml par Elanco®) avec 6 mg/kg (≈ 6 ml = 240 mg) 15 min avant toute autre manipulation pour diminuer le stress. Ensuite, l'analgosédation a été établie par injection intramusculaire adaptée au poids d'une combinaison de benzodiazépine midazolam à courte durée d'action (Midazolam-hameln® 5 mg/ml de hameln pharma plus gmbh®) avec 0,75 mg/kg (≈ 6 ml = 30 mg) et de la kétamine (Ketamin 10%® de Heinrich Fromme®) à 10 mg/kg (≈ 4 ml = 400 mg).

Après transport vers la salle d'opération expérimentale, deux cathéters 18 G iv ont été mis en place dans les veines de l'oreille et empêchés de coaguler avec une infusion de cristalloïdes à 300 ml/h (Sterofundin ISO® de B. Braun®). L'intubation était réalisée de manière conventionnelle ou par trachéotomie en cas de visibilité laryngée réduite. Les médicaments utilisés pendant l'intubation en cas de production excessive d'expectorations ou les médicaments de secours généraux comprenaient l'atropine iv et le propofol 1 %. Après intubation, une ventilation à pression contrôlée a été instaurée et une concentration alvéolaire minimale de 1,0 a été atteinte sous sévoflurane®. L'anesthésie peropératoire a été obtenue par une narcose équilibrée avec du sévoflurane® et l'association de midazolam iv 0,2 mg/kg/h (≈ 1,5 ml/h = 7,5 mg/h) et de kétamine 8,75 mg/kg/h (≈ 3,5 ml/h = 350 mg/h) à un débit de 5 ml/h. Aucun agent relaxant n'a été appliqué.

La surveillance comprenait l'oxymétrie de pouls, la capnométrie et la mesure invasive de la pression artérielle via l'artère fémorale afin d'éviter de mesurer de fausses données résultant d'une circulation altérée. La température corporelle a été surveillée et maintenue avec des couvertures chauffantes à commande électrique.

Une laparotomie médiane a été réalisée pour accéder à la cavité abdominale. Les ligaments entourant le foie et le ligament hépato-gastrique ont été disséqués et les organes viscéraux mobilisés, y compris la suppression de la couverture des reins tout en épargnant soigneusement les vaisseaux. Ciseaux, électrocoagulation et dispositifs bipolaires de scellement des vaisseaux ont été utilisés. Un cathéter sus-pubien a été inséré dans la vessie. Après la chirurgie, les porcs ont été euthanasiés avec une application iv rapide de 50 ml de solution de chlorure de potassium. La mort était prononcée lors d'une pression partielle de CO2 en fin d'expiration inférieure à 8 mmHg.

Les cubes de données hyperspectraux ont été acquis avec le système TIVITA® Tissue (Diaspective Vision GmbH, Pepelow, Allemagne), qui est un système d'imagerie à balayage push-broom et la première caméra hyperspectrale disponible dans le commerce pour la médecine. Il offre une résolution spectrale élevée dans la gamme visible et proche infrarouge (NIR) de 500 à 995 nm par pas de 5 nm, ce qui donne 100 bandes spectrales. Son champ de vision contient 640 × 480 pixels avec une résolution spatiale d'environ 0,45 mm/pixel (Fig. 6). La distance de la caméra au spécimen est contrôlée via un système de ciblage de lumière rouge et verte à environ 50 cm. Six lampes halogènes directement intégrées dans le système de caméra fournissent un éclairage uniforme. L'enregistrement prend environ sept secondes.

Système de caméra hyperspectrale. (a) Visualisation d'un cube de données hyperspectral tridimensionnel avec x et y comme dimensions spatiales et z comme dimension hyperspectrale. Le contenu des informations de réflectance enregistrées d'un pixel est visualisé à titre d'exemple. (b) Système de caméra TIVITA® Tissue.

Les images ont été enregistrées avec une distance de 50 ± 5 cm entre la caméra et les organes. Afin d'éviter les distorsions des spectres de réflectance mesurés dues à la lumière parasite, les enregistrements des tissus ont été effectués alors que les lumières de la salle d'opération étaient éteintes et que les rideaux étaient fermés. Alors que la majorité des enregistrements porcins ont été réalisés dans une approche générique afin de représenter avec précision la réalité peropératoire, les enregistrements pour l'analyse du modèle mixte ont été réalisés avec un protocole hautement standardisé pour un sous-ensemble de 11 porcs (8 à 9 porcs par organe) (entre P36 et P46 comme indiqué dans le texte supplémentaire 1). Ce protocole standardisé comprend des enregistrements de 3 répétitions d'exactement la même scène chirurgicale (effet "répétition") sous 3 angles différents (effet "angle") (perpendiculaire à la surface des tissus, 25° d'un côté et 25° du côté opposé) pour 4 positions/situs/situations d'organes différents (effet "image") résultant en un total de 36 enregistrements pour chacun des 20 organes (8 à 9 porcs par organe) sur un total de 11 porcs. Les enregistrements du liquide biliaire ont été effectués en trempant le liquide biliaire sur 5 compresses chirurgicales empilées, en veillant à ce qu'il n'y ait aucune influence de l'arrière-plan. Pour un aperçu plus complet de l'ensemble de données et un protocole d'enregistrement schématique pour le sous-ensemble standardisé, veuillez vous reporter à la Fig. 1 supplémentaire et à la Fig. 2 supplémentaire.

Toutes les 9059 images enregistrées ont été annotées manuellement avec 20 classes d'organes différentes, ce qui a donné 17 777 annotations d'organes (car plusieurs organes peuvent être contenus dans une seule image). Plus de détails sur la stratégie d'annotation peuvent être trouvés dans le texte supplémentaire 4. Les annotations ont été faites par un expert médical puis vérifiées par deux autres experts médicaux. En cas d'annotation incorrecte, l'annotation était refaite collectivement pour cet enregistrement spécifique.

Avant l'analyse, les informations spectrales étaient normalisées ℓ1 au niveau du pixel pour une uniformité accrue. Toutes les analyses étaient basées sur des spectres médians calculés sur tous les pixels contenus dans une annotation.

Python 3 a été utilisé pour l'organisation des données, l'annotation, l'extraction et l'analyse d'informations. Les données numériques ont été stockées à l'aide d'Excel. GraphPad Prism 8.4.1 et Python ont été utilisés pour les tests statistiques et la visualisation. Affinity Designer 1.10.5 a été utilisé pour la conception des figures.

L'incorporation de voisins stochastiques à distribution t (t-SNE)9 est une méthode d'apprentissage automatique couramment utilisée pour réduire le nombre de dimensions de données de grande dimension et a été utilisée pour visualiser les spectres de réflectance caractéristiques de chaque organe de porc. Cet outil de réduction de dimensionnalité non linéaire s'est déjà révélé utile pour l'analyse des données HSI et de spectrométrie de masse69 et a été choisi pour la visualisation car il s'est révélé particulièrement prometteur pour les échantillons biologiques dans le passé70,71. L'algorithme vise à modéliser des variétés de données de grande dimension et produit des plongements de faible dimension qui sont optimisés pour préserver la structure de voisinage local de la variété de grande dimension9. Par rapport aux méthodes linéaires comme PCA72 et LDA73, t-SNE préserve des structures plus pertinentes d'ensembles de données qui ont des caractéristiques non linéaires. Pour ces raisons, t-SNE a été utilisé pour la réduction de la dimensionnalité.

Avant d'optimiser les paramètres de t-SNE, l'ensemble des données comprenant 46 porcs (9059 images avec 17777 annotations) a été préparé de la manière suivante : un spectre de réflectance caractéristique a été obtenu pour chaque annotation en calculant les spectres médians à partir du (précédemment sur pixel- niveau ℓ1-normalisé) des spectres de tous les pixels de l'annotation. Par conséquent, chaque point de données représente la réflectance d'un organe dans une image d'un porc. La visualisation bidimensionnelle du spectre de réflectance de l'ensemble de données complet a été optimisée en effectuant une recherche aléatoire des paramètres suivants :

Paramètre 1 : L'exagération précoce, qui contrôle le degré d'étroitesse des amas naturels dans l'espace d'origine dans l'espace intégré et l'espace qui les séparera. 50 valeurs entières aléatoires ont été échantillonnées dans la plage [5 ; 100].

Paramètre 2 : Le taux d'apprentissage, qui est utilisé dans le processus d'optimisation. 100 valeurs entières aléatoires ont été échantillonnées dans la plage [10 ; 1000].

Paramètre 3 : La perplexité, qui est liée au nombre de voisins les plus proches pour chaque point de données à prendre en compte dans l'optimisation. 50 valeurs entières équidistantes ont été échantillonnées uniformément dans la plage [2 ; 100].

L'exagération précoce a été le premier paramètre optimisé par inspection visuelle de la représentation bidimensionnelle de l'ensemble de données. Le taux d'apprentissage a ensuite été optimisé de la même manière tout en maintenant constante l'exagération précoce. Par la suite, la perplexité a été optimisée en gardant les deux autres paramètres constants. Les valeurs optimales pour chacun des paramètres étaient de 34 pour l'exagération précoce, 92 pour le taux d'apprentissage et 30 pour la perplexité.

Des modèles mixtes linéaires indépendants ont été utilisés pour une analyse de la variation expliquée afin d'évaluer l'effet des facteurs d'influence sur les changements dans le spectre. La (proportion de) la variance expliquée a été obtenue en utilisant la décomposition empirique de la variation expliquée dans la forme des composantes de la variance du modèle mixte10.

Pour la première approche, pour chaque longueur d'onde, un modèle mixte linéaire indépendant a été ajusté avec des effets fixes pour "organe" et "angle" ainsi que des effets aléatoires pour "cochon" et "image". Plus précisément, pour chaque longueur d'onde, le modèle suivant a été ajusté (en supprimant l'indice de longueur d'onde) :

pour la répétition k = 1,…,3 de l'image j = 1,…,ni du cochon i = 1,…, 11 (avec ni le nombre d'images du cochon i allant de 84 à 228 et \(\sum\nolimits_{ je = 1}^{11} {n_{i} } = 1944\)). \(\alpha\) est une interception, \(organ_{ijk}^{T}\) est un vecteur ligne de longueur 19 indiquant l'organe d'observation ijk (avec la catégorie de référence arbitraire "estomac") et \(\beta\ ) est un vecteur d'effets d'organes fixes correspondants. De même, \(\theta\) sont des effets fixes pour l'angle ("25° d'un côté" et "25° du côté opposé" pour la catégorie de référence "perpendiculaire à la surface du tissu"). \(\delta_{i} \sim N(0,\sigma_{\delta }^{2} )\) et \(\gamma_{ij} \sim N(0,\sigma_{\gamma }^{2} )\) sont des effets aléatoires de porc et d'image, respectivement, supposés être indépendamment distribués normalement avec entre la variation de porc \(\sigma_{\delta }^{2}\) et entre la variation d'image \(\sigma_{\gamma }^{ 2} .\) Les résidus \(\varepsilon_{ijk} \sim N(0,\sigma_{\varepsilon }^{2} )\) capturent la variabilité entre des enregistrements répétés de la même image.

La proportion de variabilité de la réflectance expliquée par chaque facteur a été dérivée comme in10. "Répétition" décrit la variabilité résiduelle, qui est ici la variabilité intra-image (c'est-à-dire entre les réplications). Des intervalles de confiance ponctuels à 95 % basés sur un bootstrap paramétrique avec 500 répétitions indiquent l'incertitude des estimations.

Pour la deuxième approche avec stratification par organe, des modèles mixtes linéaires indépendants ont été ajustés pour chaque organe et longueur d'onde avec des effets fixes pour "angle" ainsi qu'un effet aléatoire pour "cochon" et "image", c'est-à-dire pour chaque organe et longueur d'onde la même le modèle tel qu'indiqué ci-dessus a été ajusté en excluant la covariable "organe". L'écart-type expliqué de chaque facteur a été représenté10. « Répétition » représente l'écart-type résiduel expliqué, qui est ici la variabilité intra-image (c'est-à-dire entre les répétitions). Des intervalles de confiance ponctuels à 95 % basés sur un bootstrap paramétrique avec 500 répétitions indiquent l'incertitude des estimations. Toutes les analyses de modèles mixtes linéaires étaient basées sur des spectres de réflectance médiane spécifiques à l'organe, obtenus en calculant le spectre médian de tous les spectres de pixels dans une annotation.

Avant de former le réseau d'apprentissage en profondeur, nous avons systématiquement divisé l'ensemble de données comprenant 46 porcs (9059 images avec 17 777 annotations) en un ensemble de données d'apprentissage composé de 38 porcs (3766 images avec 7882 annotations) et un ensemble de test disjoint composé de 8 porcs (5293 images avec 9895 annotations) comme indiqué dans la Fig. 1 supplémentaire. Ces 8 porcs de test ont été sélectionnés au hasard parmi les 11 porcs standardisés (P36 – P46) avec le seul critère selon lequel chaque classe d'organes est représentée par au moins un porc standardisé dans le test. comme dans le jeu de données d'entraînement. Ce critère ne pouvait plus être rempli lors de la sélection de plus de 8 porcs standardisés.

L'ensemble de test de retenue n'a été utilisé qu'après que l'architecture du réseau et tous les hyperparamètres aient été corrigés. La validation croisée Leave-one-pig-out a été effectuée sur l'ensemble de données d'apprentissage et les prédictions sur le porc laissé de côté ont été agrégées pour les 38 plis (46 moins 8) pour donner la précision de la validation. Les hyperparamètres du réseau de neurones ont été optimisés dans une recherche de grille étendue de sorte que la précision de la validation a été maximisée. Une fois les hyperparamètres optimaux déterminés, nous avons évalué les performances de classification sur l'ensemble de tests de retenue en assemblant les prédictions des 38 réseaux (un pour chaque pli) via le calcul du vecteur logits moyen (les valeurs d'entrée de la fonction softmax, voir ci-dessous ) suivi de l'opération argmax pour récupérer l'étiquette finale de chaque annotation.

La classification basée sur l'apprentissage en profondeur a été effectuée sur les spectres médians calculés à partir des spectres normalisés ℓ1 de tous les pixels dans les masques d'annotation, ce qui a donné des vecteurs de caractéristiques d'entrée à 100 dimensions. L'architecture d'apprentissage en profondeur était composée de 3 couches convolutives (64 filtres dans la première, 32 dans la seconde et 16 dans la troisième couche) suivies de 2 couches entièrement connectées (100 neurones dans la première et 50 dans la deuxième couche). Les activations des cinq couches ont été normalisées par lots et une couche linéaire finale a été utilisée pour calculer les logits de classe. Chacune des couches convolutionnelles a convolué le domaine spectral avec une taille de noyau de 5 et a été suivie d'une couche de regroupement moyenne avec une taille de noyau de 2. Les deux couches entièrement connectées ont mis à zéro leurs activations avec une probabilité d'abandon de \(p\). Toutes les couches non linéaires ont utilisé l'unité linéaire exponentielle (ELU)74 comme fonction d'activation.

Nous avons choisi cette architecture car elle offre un moyen simple mais efficace d'analyser les informations spectrales. L'opération de convolution agit sur la structure locale des spectres et nous avons utilisé une taille de noyau relativement petite et empilé 3 couches pour augmenter le champ récepteur tout en étant efficace en termes de calcul75. Les deux couches entièrement connectées prennent une décision finale basée sur le contexte global. L'avantage de cette approche est qu'elle combine l'agrégation d'informations locales et globales tout en restant efficace sur le plan informatique puisque l'ensemble du réseau n'utilise que 34 300 poids entraînables.

La fonction softmax a été utilisée pour fournir la probabilité a posteriori pour chaque classe. Nous avons utilisé l'optimiseur Adam (β1 = 0,9, β2 = 0,999)76 avec une décroissance exponentielle du taux d'apprentissage (taux de décroissance de \(\gamma\) et taux d'apprentissage initial de \(\eta\)) et la perte d'entropie croisée multiclasse fonction. Afin de répondre aux déséquilibres de classe, nous avons inclus un poids facultatif de la fonction de perte en fonction du nombre d'images d'entraînement par classe et des instances échantillonnées pour les lots, soit de manière aléatoire, soit suréchantillonnées, de sorte que chaque classe d'organes ait la même probabilité d'être échantillonnée. Les deux choix de conception ont été étudiés dans la recherche de grille d'hyperparamètres.

Nous avons formé 10 000 000 échantillons par époque pendant 10 époques avec une taille de lot de N. Dans une recherche approfondie sur grille, nous avons déterminé les hyperparamètres les plus performants : probabilité d'abandon \(p* = 0,2(p \in \{ 0,1,0,2\} ) \), taux d'apprentissage \(\eta * = 0,0001\;(\eta \in \{ 0,001, \;0,0001\} )\), taux de décroissance \(\gamma * = 0,9(\gamma \in \{ 0,75, 0,9, 1,0\} )\), taille de lot \(N* = 20 000\;(N \in \{ 20 000, \;40 000\} )\), une fonction de perte pondérée et aucun suréchantillonnage.

Nous avons évalué les performances de notre modèle d'apprentissage automatique en calculant les valeurs métriques suivantes : une micro-moyenne, dans laquelle toutes les annotations contribuent de manière égale à la valeur métrique obtenue, a été calculée pour la précision. Afin d'équilibrer les inégalités dans le nombre d'enregistrements entre les classes d'organes (cf. Fig. 1 supplémentaire), des valeurs métriques macro-moyennes ont également été rapportées. Plus précisément, pour le calcul de la sensibilité moyenne, de la spécificité et du score F1, les valeurs métriques ont d'abord été calculées indépendamment pour chaque classe d'organes, puis moyennées.

Les données et le code qui appuient les conclusions de cette étude sont disponibles auprès des auteurs correspondants sur demande raisonnable.

Imagerie hyperspectrale

Imagerie multispectrale

Administration Nationale de l'Espace et de l'Aéronautique

Région d'intérêt

Écart-type

Incorporation de voisins stochastiques à distribution T

Mascagni, P. et al. Nouvelles technologies d'imagerie peropératoire : Innover l'œil du chirurgien vers la précision chirurgicale. J. Surg. Oncol. 118, 265–282. https://doi.org/10.1002/jso.25148 (2018).

Article PubMed Google Scholar

Prasad, S. & Chanussot, J. Analyse d'images hyperspectrales : avancées dans l'apprentissage automatique et le traitement du signal (Springer, 2020).

Réserver Google Scholar

Barberio, M. et al. Angiographie de fluorescence quantitative versus imagerie hyperspectrale pour évaluer l'ischémie intestinale : une étude comparative en réalité augmentée. Chirurgie https://doi.org/10.1016/j.surg.2020.02.008 (2020).

Article PubMed Google Scholar

Dietrich, M. et al. Imagerie hyperspectrale pour l'évaluation de l'oxygénation des tissus microcirculatoires et de la qualité de la perfusion dans le choc hémorragique : une étude porcine. Biomédecines 9, 1829 (2021).

Article CAS Google Scholar

Dietrich, M. et al. Analyse basée sur l'apprentissage automatique d'images hyperspectrales pour le diagnostic automatisé de la septicémie. https://arxiv.org/abs/2106.08445v1 (2021).

Dietrich, M. et al. Imagerie hyperspectrale pour la surveillance périopératoire de l'oxygénation des tissus microcirculatoires et de la teneur en eau des tissus en chirurgie pancréatique : une étude pilote clinique observationnelle. Périopère. Méd. (Londres) 10, 42. https://doi.org/10.1186/s13741-021-00211-6 (2021).

Article Google Scholar

Wu, IC et al. Identification précoce du néoplasme squameux de l'œsophage par imagerie endoscopique hyperspectrale. Sci. Rep. 8, 13797. https://doi.org/10.1038/s41598-018-32139-1 (2018).

Article ADS CAS PubMed PubMed Central Google Scholar

Clancy, NT, Jones, G., Maier-Hein, L., Elson, DS & Stoyanov, D. Imagerie spectrale chirurgicale. Méd. Image anale. 63, 101699. https://doi.org/10.1016/j.media.2020.101699 (2020).

Article PubMed PubMed Central Google Scholar

van der Maaten, LJP & Hinton, GE Visualisation de données de grande dimension à l'aide de t-SNE. J.Mach. Apprendre. Rés. 9, 2579-2605 (2008).

MATH Google Scholar

Schreck, N. & Wiesenfarth, M. Décomposition de la variation expliquée dans le modèle mixte linéaire. bioRxiv, 2019.2012.2028.890061. https://doi.org/10.1101/2019.12.28.890061 (2022).

Thunell, S. Porphyrines, métabolisme des porphyrines et porphyries I. Mise à jour. Scannez. J.Clin. Laboratoire. Investir. 60, 509-540. https://doi.org/10.1080/003655100448310 (2000).

Article CAS PubMed Google Scholar

Wilson, MT & Reeder, BJ Protéines hémiques liant l'oxygène. Exp. Physiol. 93, 128–132. https://doi.org/10.1113/expphysiol.2007.039735 (2008).

Article CAS PubMed Google Scholar

Leavesley, SJ et al. Balayage d'excitation de fluorescence d'imagerie hyperspectrale pour la détection du cancer du côlon. J. Biomed. Opter. 21, 104003. https://doi.org/10.1117/1.JBO.21.10.104003 (2016).

Article ADS PubMed PubMed Central Google Scholar

Zheng, W., Wang, C., Chang, S., Zhang, S. et Xu, RX Analyse dérivée seconde à grand écart hyperspectral pour la détection in vivo de la néoplasie intraépithéliale cervicale. J. Biomed. Opter. 20, 121303. https://doi.org/10.1117/1.Jbo.20.12.121303 (2015).

Article ADS PubMed Google Scholar

Hu, B., Du, J., Zhang, Z. et Wang, Q. Classification des tissus tumoraux basée sur la technologie micro-hyperspectrale et l'apprentissage en profondeur. Biomédical. Opter. Express 10, 6370–6389. https://doi.org/10.1364/boe.10.006370 (2019).

Article PubMed PubMed Central Google Scholar

Jacques, SL Propriétés optiques des tissus biologiques : une revue. Phys. Méd. Biol. 58, R37–R61. https://doi.org/10.1088/0031-9155/58/11/r37 (2013).

Article ADS PubMed Google Scholar

Lu, G. & Fei, B. Imagerie hyperspectrale médicale : une revue. J. Biomed. Opter. 19, 010901 (2014).

Annonces d'article Google Scholar

Afromowitz, MA, Callis, JB, Heimbach, DM, DeSoto, LA & Norton, MK Imagerie multispectrale des brûlures : un nouvel instrument clinique pour évaluer la profondeur des brûlures. IEEE Trans. Biomédical. Ing. 35, 842–850. https://doi.org/10.1109/10.7291 (1988).

Article CAS PubMed Google Scholar

Ferris, DG et al. Imagerie hyperspectrale multimodale pour le diagnostic non invasif de la néoplasie cervicale. J. Genit inférieur. Tract Dis. 5, 65–72. https://doi.org/10.1046/j.1526-0976.2001.005002065.x (2001).

Article CAS Google Scholar

Shah, SA et al. Analyse des plaies cutanées par imagerie hyperspectrale. Biotechniques 34, 408–413. https://doi.org/10.2144/03342pf01 (2003).

Article CAS PubMed Google Scholar

Bambery, KR, Wood, BR, Quinn, MA et McNaughton, D. Fourier transforment l'imagerie infrarouge et le regroupement hiérarchique non supervisé appliqué aux biopsies cervicales. Aust. J. Chem. 57, 1139–1143. https://doi.org/10.1071/CH04137 (2004).

Article CAS Google Scholar

Akbari, H., Kosugi, Y., Kojima, K. et Tanaka, N. Détection et analyse de l'ischémie intestinale par imagerie hyperspectrale visible et invisible. IEEE Trans. Biomédical. Ing. 57, 2011-2017. https://doi.org/10.1109/TBME.2010.2049110 (2010).

Article PubMed Google Scholar

Akbari, H. et al. Imagerie hyperspectrale et analyse quantitative pour la détection du cancer de la prostate. J. Biomed. Opter. 17, 076005 (2012).

Annonces d'article Google Scholar

Mitra, K. et al. Microballons chargés de vert d'indocyanine pour l'imagerie biliaire dans la cholécystectomie. J. Biomed. Opter. 17, 116025 (2012).

Annonces d'article Google Scholar

Rosas, JG & Blanco, M. Critère d'évaluation de la distribution d'homogénéité dans les images hyperspectrales. Partie 2 : Application des indices d'homogénéité aux formes pharmaceutiques solides. J.Pharm. Biomédical. Anal. 70, 691–699. https://doi.org/10.1016/j.jpba.2012.06.037 (2012).

Article CAS PubMed Google Scholar

Li, Q., Wang, Y., Liu, H. & Chen, Z. dans la conférence internationale IEEE sur l'informatique et l'ingénierie de l'automatisation (CSAE) 15–17 (2012).

Kumar, S., Desmedt, C., Larsimont, D., Sotiriou, C. & Goormaghtigh, E. Changement dans le microenvironnement du cancer du sein étudié par imagerie FTIR. Analyste 138, 4058–4065. https://doi.org/10.1039/c3an00241a (2013).

Article ADS CAS PubMed Google Scholar

Grambow, E. et al. Imagerie hyperspectrale pour la surveillance de l'échec de la perfusion lors de l'anastomose microvasculaire dans le membre postérieur du rat. Microvasc. Rés. 116, 64–70. https://doi.org/10.1016/j.mvr.2017.10.005 (2018).

Article PubMed Google Scholar

Barberio, M. et al. HYPerspectral Enhanced Reality (HYPER) : un outil de guidage chirurgical basé sur la physiologie. Surg. Endoc. 34, 1736–1744. https://doi.org/10.1007/s00464-019-06959-9 (2020).

Article PubMed Google Scholar

Felli, E., Urade, T., Barberio, M., Felli, E. et Diana, M. Imagerie hyperspectrale de l'ischémie du foie de porc : une preuve de concept. https://www.airitilibrary.com/Publication/alDetailedMesh?docid=15610497-201912-201912180004-201912180004-117-121 (2019).

Tetschke, F. et al. Imagerie hyperspectrale pour surveiller les niveaux de saturation en oxygène pendant la perfusion rénale normothermique. J. Sens. Sens. Syst. 5, 313–318. https://doi.org/10.5194/jsss-5-313-2016 (2016).

Annonces d'article Google Scholar

Nickel, F. et al. Optimisation de la technique anastomotique et de la perfusion du conduit gastrique avec imagerie hyperspectrale dans un modèle expérimental d'œsophagectomie mini-invasive. bioRxiv. https://doi.org/10.1101/2021.10.03.462901 (2021).

Holmer A, Kaemmerer P, Kulcke A, Marotz J & Wahl P dans AUTOMED.

Landro, MD et al. à la 41e Conférence internationale annuelle de l'IEEE Engineering in Medicine and Biology Society (EMBC). 1851–1854 (2019).

Gockel, I. et al. Possibilités et perspectives de l'imagerie hyperspectrale en chirurgie viscérale. Chirurgien 91, 150-159. https://doi.org/10.1007/s00104-019-01016-6 (2020).

Article CAS PubMed Google Scholar

Goetze, E., Thiem, DGE, Gielisch, M., Al-Nawas, B. & Kämmerer, PW Approches de numérisation et d'intelligence artificielle dans la chirurgie faciale microvasculaire et reconstructrice. Chirurgien 91, 216-221. https://doi.org/10.1007/s00104-019-01103-8 (2020).

Article CAS PubMed Google Scholar

Maier-Hein, L. et al. Imagerie et visualisation peropératoires. L'oncologue 26, 31–43. https://doi.org/10.1007/s00761-019-00695-4 (2020).

Article Google Scholar

Holmer, A. et al. Surveillance de l'oxygénation et de la perfusion avec un système de caméra hyperspectrale pour l'analyse chimique des tissus de la peau et des organes. Physiol. Mes. 37, 2064-2078. https://doi.org/10.1088/0967-3334/37/11/2064 (2016).

Article PubMed Google Scholar

Markgraf, W., Feistel, P., Thiele, C. et Malberg, H. Algorithmes pour la cartographie de l'oxygénation des tissus rénaux pendant la perfusion de machine normothermique à l'aide de l'imagerie hyperspectrale. Biomédical. Ing. Biomédical. Technologie. 63, 557. https://doi.org/10.1515/bmt-2017-0216 (2018).

Article CAS Google Scholar

Barberio, M. et al. Discrimination hyperspectrale de la thyroïde et de la parathyroïde pendant la chirurgie. Courant. Réal. Biomédical. Ing. 4, 399. https://doi.org/10.1515/cdbme-2018-0095 (2018).

Article Google Scholar

Daeschlein, G. et al. L'imagerie hyperspectrale comme nouvel outil de diagnostic de la microcirculation des plaies. Clin. Hémorhéol. Microcirc. 67, 467–474. https://doi.org/10.3233/ch-179228 (2017).

Article CAS PubMed Google Scholar

Grambow, E. et al. Évaluation de la maladie artérielle périphérique avec le système de caméra d'imagerie hyperspectrale TIVITA(R) Tissue. Clin. Hémorhéol. Microcirc. 73, 3–17. https://doi.org/10.3233/ch-199215 (2019).

Article PubMed Google Scholar

Herrmann, BH & Hornberger, C. Simulation Monte-Carlo de l'interaction tissulaire lumineuse dans les applications d'imagerie médicale hyperspectrale. Courant. Réal. Biomédical. Ing. 4, 275–278. https://doi.org/10.1515/cdbme-2018-0067 (2018).

Article Google Scholar

Jansen-Winkeln, B., Holfert, N., Köhler, H., Chalopin, C. & Gockel, I. Détermination de la position anastomotique idéale par imagerie hyperspectrale. Z. Gastro-entérol. 57, 93. https://doi.org/10.1055/s-0039-1695193 (2019).

Article Google Scholar

Jansen-Winkeln, B. et al. Détermination de la marge de section lors d'une résection colorectale avec imagerie hyperspectrale (HSI). Int. J. Colorectal Dis. 34, 731–739. https://doi.org/10.1007/s00384-019-03250-0 (2019).

Article PubMed Google Scholar

Jansen-Winkeln, B. et al. point à la main v. Anastomose à l'agrafeuse - vue hyperspectrale de la perfusion. Z. Gastro-entérol. 57, 91. https://doi.org/10.1055/s-0039-1695191 (2019).

Article Google Scholar

Köhler, H., Jansen-Winkeln, B., Chalopin, C. & Gockel, I. Imagerie hyperspectrale comme nouvelle méthode optique pour la mesure de la perfusion du conduit gastrique. Dis. Oesophage 32, 1. https://doi.org/10.1093/dote/doz046 (2019).

Article PubMed Google Scholar

Kohler, H. et al. Évaluation de l'imagerie hyperspectrale (HSI) pour la mesure des effets de conditionnement ischémique du conduit gastrique lors d'une oesophagectomie. Surg. Endoc. 33, 3775–3782. https://doi.org/10.1007/s00464-019-06675-4 (2019).

Article PubMed Google Scholar

Langner, I. et al. L'imagerie hyperspectrale démontre les effets microcirculatoires de l'ergothérapie postopératoire chez les patients atteints de la maladie de Dupuytren. Chirurgie de la main, microchirurgie, chirurgie plastique : Organe du groupe de travail germanophone de chirurgie de la main : Organe du groupe de travail germanophone de microchirurgie des nerfs périphériques et des vaisseaux 51, 171-176. https://doi.org/10.1055/a-0916-8635 (2019).

Article Google Scholar

Maktabi, M. et al. Classification tissulaire des résectats oesophagiens oncologiques basée sur des données hyperspectrales. Int. J. Comput. Aider. Radiol. Surg. 14, 1651-1661. https://doi.org/10.1007/s11548-019-02016-x (2019).

Article PubMed Google Scholar

Marotz, J. et al. Estimation étendue des paramètres de perfusion à partir de données d'imagerie hyperspectrale pour le diagnostic au chevet du patient en médecine. Molécules 24, 4164. https://doi.org/10.3390/molecules24224164 (2019).

Article CAS PubMed Central Google Scholar

Marotz, J., Siafliakis, A., Holmer, A., Kulcke, A. & Siemers, F. Premiers résultats d'un nouveau système de caméra hyperspectrale pour l'analyse chimique des plaies. Blessure méd. 10–11, 17–22. https://doi.org/10.1016/j.wndm.2015.11.003 (2015).

Article Google Scholar

Mohammed, RAA, Schäle, D., Hornberger, C. & Emmert, S. Détection des signatures dans les données d'images hyperspectrales des plaies : un modèle composé de carte auto-organisée et d'ajustement au moindre carré. Courant. Réal. Biomédical. Ing. 4, 419–422. https://doi.org/10.1515/cdbme-2018-0100 (2018).

Article Google Scholar

Sucher, R. et al. Imagerie hyperspectrale (HSI) dans la résection anatomique du foie gauche. Int. J. Surg. Affaire Rep. 62, 108–111. https://doi.org/10.1016/j.ijscr.2019.08.025 (2019).

Article PubMed PubMed Central Google Scholar

Zimmermann, P., Scheibe, A., Marotz, J. & Wollina, U. Analyse de l'oxygénation tissulaire dans les ulcères de jambe chroniques par combinaison d'une caméra multispectrale et d'une sonde hyperspectrale. Méd géorgien. Actualités 270, 75–81 (2017).

Google Scholar

Maktabi, M. et al. Classification tissulaire des résectats oesophagiens oncologiques basée sur des données hyperspectrales. Int. J. Comput. Aider. Radiol. Surg. https://doi.org/10.1007/s11548-019-02016-x (2019).

Article PubMed Google Scholar

Filatova, S., Shcherbakov, I. & Tsvetkov, V. Propriétés optiques des tissus animaux dans la gamme de longueurs d'onde de 350 à 2600 nm. J. Biomed. Opter. 22, 035009 (2017).

Annonces d'article Google Scholar

Zhang, Y. et al. Classification des tissus pour la compréhension d'images laparoscopiques basée sur l'analyse de texture multispectrale. J. Med. Imagerie (Bellingham) 4, 015001. https://doi.org/10.1117/1.JMI.4.1.015001 (2017).

Article Google Scholar

Moccia, S. et al. Classification des organes consciente de l'incertitude pour les applications de la science des données chirurgicales en laparoscopie. IEEE Trans. Biomédical. Ing. 65, 2649–2659. https://doi.org/10.1109/TBME.2018.2813015 (2018).

Article PubMed Google Scholar

Ayala, L. et al. Imagerie multispectrale à débit vidéo en chirurgie laparoscopique : première application chez l'homme. https://arxiv.org/abs/2105.13901 (2021).

Wirkert, SJ et al. 134–141 (Springer).

Wirkert, SJ et al. Estimation robuste en temps quasi réel des paramètres physiologiques à partir d'images multispectrales mégapixels avec Monte Carlo inverse et régression forestière aléatoire. Int. J. Comput. Aider. Radiol. Surg. 11, 909–917. https://doi.org/10.1007/s11548-016-1376-5 (2016).

Article PubMed PubMed Central Google Scholar

Gröhl, J. et al. Segmentation sémantique d'images photoacoustiques multispectrales par apprentissage profond. https://arxiv.org/abs/2105.09624 (2021).

Kilkenny, C., Browne, W., Cuthill, IC, Emerson, M. & Altman, DG Recherche animale : rapports d'expériences in vivo : les directives ARRIVE. Br. J. Pharmacol. 160, 1577-1579. https://doi.org/10.1111/j.1476-5381.2010.00872.x (2010).

Article CAS PubMed PubMed Central Google Scholar

Kenngott, HG et al. Effets de la laparoscopie, de la laparotomie et de la phase respiratoire sur le volume du foie dans un modèle porcin vivant pour la résection hépatique. Surg. Endoc. 35, 7049–7057. https://doi.org/10.1007/s00464-020-08220-0 (2021).

Article PubMed PubMed Central Google Scholar

Nickel, F. et al. Analyse tomographique par ordinateur du mouvement des organes causé par la respiration et le pneumopéritoine peropératoire dans un modèle porcin pour l'oesophagectomie mini-invasive naviguée. Surg. Endoc. 32, 4216–4227. https://doi.org/10.1007/s00464-018-6168-2 (2018).

Article PubMed Google Scholar

Nickel, F. et al. Système de navigation pour oesophagectomie mini-invasive : étude expérimentale dans un modèle porcin. Surg. Endoc. 27, 3663–3670. https://doi.org/10.1007/s00464-013-2941-4 (2013).

Article PubMed Google Scholar

Gehrig, T. et al. Comparaison de différentes techniques chirurgicales de pancréatectomie distale : une étude expérimentale sur un modèle porcin. Surg. Innov. 18, 329–337. https://doi.org/10.1177/1553350610395032 (2011).

Article PubMed Google Scholar

Gardner, W., Cutts, SM, Phillips, DR & Pigram, PJ Comprendre les images de spectrométrie de masse : de la complexité à la clarté avec l'apprentissage automatique. Biopolymères 112, e23400. https://doi.org/10.1002/bip.23400 (2020).

Article CAS PubMed Google Scholar

Kobak, D. & Berens, P. L'art d'utiliser t-SNE pour la transcriptomique unicellulaire. Nat. Commun. 10, 5416. https://doi.org/10.1038/s41467-019-13056-x (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Cieslak, MC, Castelfranco, AM, Roncalli, V., Lenz, PH & Hartline, DK t-Distributed Stochastic Neighbor Embedding (t-SNE): un outil pour l'analyse transcriptomique éco-physiologique. Mar. Genomics 51, 100723. https://doi.org/10.1016/j.margen.2019.100723 (2020).

Article PubMed Google Scholar

Tipping, ME & Bishop, CM Analyse probabiliste en composantes principales. Statistique JR. Soc. Ser. B (Stat. Methodol.) 61, 611–622. https://doi.org/10.1111/1467-9868.00196 (1999).

Article MathSciNet MATH Google Scholar

Hastie, T., Tibshirani, R. & Friedman, J. Les éléments de l'apprentissage statistique 2e éd. (Springer, 2008).

MATH Google Scholar

Clevert, D.-A., Unterthiner, T. & Hochreiter, S. Apprentissage en réseau profond rapide et précis par unités linéaires exponentielles (ELU). http://arxiv.org/abs/1511.07289 (2016).

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. & Wojna, Z. dans la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes (CVPR). 2818–2826 (2016).

Kingma, DP & Ba, J. Adam : Une méthode d'optimisation stochastique. https://arxiv.org/abs/1412.6980 (2014).

Télécharger les références

Les auteurs remercient Minu Tizabi (IMSY, DKFZ) pour la relecture du manuscrit et remercient le service de stockage de données SDS@hd soutenu par le ministère des Sciences, de la Recherche et des Arts du Bade-Wurtemberg (MWK) et la Fondation allemande pour la recherche (DFG) par le biais de Accordez INST 35/1314-1 FUGG et INST 35/1503-1 FUGG. La présente contribution est soutenue par l'Association Helmholtz dans le cadre de l'école de recherche commune HIDSS4Health (Helmholtz Information and Data Science School for Health). Ce projet a reçu un financement du Conseil européen de la recherche (ERC) dans le cadre du programme de recherche et d'innovation Horizon 2020 de l'Union européenne (NEURAL SPICING, Grant Agreement No. [101002198]) ainsi que de la fondation Willi Robert Pitzer, de la Fondation Heidelberg pour la chirurgie et du programme RISE du Service allemand d'échanges universitaires (DAAD). Les images représentées dans les figures ont été dessinées par les auteurs. L'image du système TIVITA® Tissue a été mise à disposition avec l'aimable approbation de Diaspective Vision.

Financement Open Access activé et organisé par Projekt DEAL.

Département de chirurgie générale, viscérale et de transplantation, Hôpital universitaire de Heidelberg, Im Neuenheimer Feld 420, 69120, Heidelberg, Allemagne

Alexander Studier-Fischer, Berkin Özdemir, Jan Odenthal, Samuel Knödler, Caelan Max Haney, Gabriel Alexander Salg, Hannes Götz Kenngott, Beat Peter Müller-Stich & Felix Nickel

Division des systèmes médicaux intelligents, Centre allemand de recherche sur le cancer (DKFZ), Heidelberg, Allemagne

Silvia Seidlitz, Jan Sellner, Leonardo Ayala, Tim Julian Adler, Klaus Maier-Hein & Lena Maier-Hein

HIDSS4Health – Helmholtz Information and Data Science School for Health, Karlsruhe, Heidelberg, Allemagne

Silvia Seidlitz, Jan Sellner, Klaus Maier-Hein, Lena Maier-Hein & Felix Nickel

Division de l'informatique d'imagerie médicale, Centre allemand de recherche sur le cancer (DKFZ), Heidelberg, Allemagne

Jan Sellner, Klaus Maier-Hein & Lena Maier-Hein

Division de la biostatistique, Centre allemand de recherche sur le cancer (DKFZ), Heidelberg, Allemagne

Manuel Wiesenfarth, Nicholas Schreck et Annette Kopp-Schneider

Département d'urologie, Faculté de médecine de Mannheim, Université de Heidelberg, Mannheim, Allemagne

Karl Friedrich Kowalewski

Division de biologie et de génie biologique, California Institute of Technology, Pasadena, États-Unis

Isabelle Camplisson

Département d'anesthésiologie, Hôpital universitaire de Heidelberg, Heidelberg, Allemagne

Maximilien Dietrich

Département d'anesthésiologie et de médecine de soins intensifs, Hôpital universitaire d'Essen, Essen, Allemagne

Karsten Schmidt

Faculté de mathématiques et d'informatique, Université de Heidelberg, Heidelberg, Allemagne

Tim Julian Adler et Lena Maier-Hein

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

ASF, FN et BPMS ont eu l'idée originale du projet. ASF et FN ont initié le projet. ASF, FN et CMH ont effectué l'examen initial de la littérature existante et la planification. ASF, CMH, KFK, B.Ö., MD, BPMS et FN ont effectué les chirurgies. ASF, IC, B.Ö. et JO a développé les codes Python pour l'organisation et l'annotation des données. Données annotées ASF, GAS et SK. ASF, GAS, B.Ö., JO, SK, KFK, SS, LA, JS, LMH, TA et MW ont analysé et interprété les données. LMH, TA, LA, SS, JS, MW, NS, AKS et ASF ont développé et mis en œuvre la stratégie d'analyse de données statistique et basée sur l'apprentissage automatique. LA a fourni l'analyse t-SNE et les passages pertinents du manuscrit. MW, NS et AKS ont fourni l'analyse du modèle mixte, le modèle structuré et les passages pertinents du manuscrit. SS et JS ont fourni la classification basée sur l'apprentissage automatique et les passages manuscrits pertinents. FN, LMH, HGK, KMH, KS et BPMS ont apporté leur expertise tout au long du projet. ASF, B.Ö. et FN a écrit le manuscrit. SS, JS, LA, MW, BPMS, HGK, KMH et LMH ont révisé le manuscrit. Tous les auteurs ont lu et approuvé le manuscrit final.

Correspondance à Félix Nickel.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournir un lien vers la licence Creative Commons et indiquer si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Studier-Fischer, A., Seidlitz, S., Sellner, J. et al. Empreintes spectrales d'organes pour la classification des tissus peropératoires basée sur l'apprentissage automatique avec imagerie hyperspectrale dans un modèle porcin. Sci Rep 12, 11028 (2022). https://doi.org/10.1038/s41598-022-15040-w

Télécharger la citation

Reçu : 04 février 2022

Accepté : 16 juin 2022

Publié: 30 juin 2022

DOI : https://doi.org/10.1038/s41598-022-15040-w

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

Endoscopie chirurgicale (2023)

Journal scandinave de traumatologie, de réanimation et de médecine d'urgence (2022)

Endoscopie chirurgicale (2022)

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Blog

Empreintes d'organes spectraux pour l'apprentissage automatique