Интеграция методов поляризационного анализа и глубокого обучения для комплексного экспериментального исследования структурных изменений в биологических тканях

Рыжова В.А., Хотеев А.А., Хлынов Р.Д., Коротаев В.В.

Ссылка для цитирования:

Рыжова В.А., Хотеев А.А., Хлынов Р.Д., Коротаев В.В. Интеграция методов поляризационного анализа и глубокого обучения для комплексного экспериментального исследования структурных изменений в биологических тканях // Оптический журнал. 2025. Т. 92. № 12. С. 94–105. http://doi.org/10.17586/1023-5086-2025-92-12-94-105

Ryzhova V.A., Khoteev A.A., Khlynov R.D., Korotaev V.V. Integration of polarization analytics and deep learning for a comprehensive experimental study of structural changes in biological tissues [in Russian] // Opticheskii Zhurnal. 2025. V. 92. № 12. P. 94–105. http://doi.org/10.17586/1023-5086-2025-92-12-94-105

Ссылка на англоязычную версию:

Аннотация:

Предмет исследования. Координатные распределения параметров оптической анизотропии биологических тканей на поляризационных изображениях. Цель работы. Разработка методики, позволяющей интегрировать результаты статистического и корреляционного анализа поляризационных изображений с приёмами глубокого обучения для классификации структурных изменений оптически неоднородных, в том числе, биологических тканей. Метод. Физическое моделирование преобразования поляризации лазерного излучения в биологических тканях. Статистический анализ координатных распределений параметров анизотропной структуры образца. Классификация изображений, соответствующих изменениям структуры биологических тканей, с использованием искусственных нейронных сетей. Основные результаты. Разработаны макет мюллер-видеополяриметра и методика формирования и обработки поляризационных изображений, позволяющая выявить информативные параметры среды. Показано, что степень поляризации и дихроизм являются наиболее чувствительными маркерами структурных изменений в тканях. Разработана методика классификации биологических тканей по изменению их структуры с использованием нейросетевых моделей, обученных на датасетах, полученных на основе поляризационных изображений. Практическая значимость. Результаты работы демонстрируют возможность автоматизированной классификации биотканей на основе поляриметрических данных, характеризующих изменения внутренней структуры с точностью до 92%.

Ключевые слова:

поляризационное изображение, матрица Мюллера, структура биологической ткани, оптическая анизотропия, глубокое обучение, нейросетевые модели

Благодарность:

работа поддержана средствами федерального бюджета в рамках государственного задания Института физиологии им. И.П. Павлова РАН (№ 1021062411653-4-3.1.8). Работа выполнена при поддержке проекта № 624083 научно-исследовательской работы магистрантов и аспирантов Университета ИТМО

Коды OCIS: 170.0170, 110.0110, 330.0330

Список источников:

1. Guan C., Zeng N., He H. Review of polarization-based technology for biomedical applications // Journal of Innovative Optical Health Sciences. 2025. V. 18. № 2. P. 2430002. https://doi.org/10.1142/S1793545824300027
2. Pham T.T., Nguyen T.B., Sao Dam M. et al. A review of the application of the laser-light backscattering imaging technique to agricultural products // Agriculture. 2024. V. 14. № 10. P. 1782. https://doi.org/10.3390/agriculture14101782
3. Li Y., Zhuo Z., Liu C. et al. Deep learning enables accurate brain tissue microstructure analysis based on clinically feasible diffusion magnetic resonance imaging // NeuroImage. 2024. V. 300. P. 120858. https://doi.org/10.1016/j.neuroimage.2024.120858
4. Dong T., Lee H. H., Zang H. et al. In vivo cortical microstructure mapping using high-gradient diffusion mri accounting for intercompartmental water exchange effects // NeuroImage. 2025. P. 121258. https://doi.org/10.1016/j.neuroimage.2025.121258
5. Wu X., Pankow M., Onuma T. et al. Comparison of high-speed polarization imaging methods for biological tissues // Sensors. 2022. V. 22. № 20. P. 8000. https://doi.org/10.3390/s22208000
6. Li X., Yan L., Qi P. et al. Polarimetric imaging via deep learning: A review // Remote Sensing. 2023. V. 15. № 6. P. 1540. https://doi.org/10.3390/rs15061540
7. Liu Z., Song J., Fu Q. et al. Study on anisotropy orientation due to well-ordered fibrous biological microstructures // Journal of Biomedical Optics. 2024. V. 29. № 5. P. 052919–052919. https://doi.org/10.1117/1.JBO.29.5.052919
8. Lu S.Y., Chipman R.A. Interpretation of Mueller matrices based on polar decomposition // J. Opt. Soc. Am. A. 1996. Т. 13. № 5. С. 1106–1113. https://doi.org/10.1364/JOSAA.13.001106
9. Gros É., Rodríguez-Núñez O., Felger L. et al. Characterization of polarimetric properties in various brain tumor types using wide-field imaging Mueller polarimetry // IEEE transactions on medical imaging. 2024. V. 43. № 12. P. 4120–4132. https://doi.org/10.1109/TMI.2024.3413288
10. Ushenko A., Dubolazov A., Zheng J. et al. Mueller matrix polarization interferometry of optically anisotropic architectonics of biological tissue object fields: the fundamental and applied aspects // Frontiers in Physics. 2024. V. 11. P. 1302254. https://doi.org/10.3389/fphy.2023.1302254
11. Хлынов Р.Д., Рыжова В.А., Коротаев В.В. и др. Поляризационный неинвазивный метод мониторинга гематокрита крови // Оптический журнал. 2023. Т. 90. № 1. С. 60–75. https://doi.org/10.17586/1023-5086-2023-90-01-60-75
Khlynov R.D., Ryzhova V.A., Korotaev V.V. et al. Noninvasive polarization-based technique for hematocrit monitoring // Journal of Optical Technology. 2023. V. 90. № 1. P. 33–41. https://doi.org/10.1364/JOT.90.000033
12. Rodríguez C., Estévez I., González-Arnay E. et al. Optimizing the classification of biological tissues using machine learning models based on polarized data // Journal of Biophotonics. 2023. V. 16. № 4. P. e202200308. https://doi.org/10.1002/jbio.202200308
13. Le T.H., Huynh N.T., Phan Q.H. et al. Combination of Muller matrix imaging polarimetry and artificial intelligence for classification of mice skin cancer tissue in-vitro and in-vivo // Optik. 2024. V. 311. P. 171932. https://doi.org/10.1016/j.ijleo.2024.171932
14. Gil J.J., San José I. Mueller matrix associated with an arbitrary 4×4 real matrix. The effective component of a Mueller matrix // Photonics. 2025. V. 12. P. 230. https://doi.org/10.3390/photonics12030230
15. Zhang W.J. General correlation and partial correlation analysis in finding interactions: with Spearman rank correlation and proportion correlation as correlation measures // Network Biology. 2015. V. 5. № 4. P. 163. https://doi.org/10.0000/issn-2220-8879-networkbiology-2015-v5-0013
16. Sapkota R., Flores-Calero M., Qureshi R. et al. YOLO advances to its genesis: a decadal and comprehensive review of the You Only Look Once (YOLO) series // Artificial Intelligence Review. 2025. V. 58. № 9. P. 274. https://doi.org/10.1007/s10462-025-11253-3