多物种高光谱图像采集
收集人类、猪和大鼠的高光谱图像作为研究基础。
使用Tivita Surgery HSI系统采集了14,013张来自三物种的图像，包括生理、灌注不足和ICG注射状态下的图像，并进行了语义标注（2,596张）或多边形标注。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
异种学习：基于深度学习的光谱图像分析中的跨物种知识迁移
Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis
实验完整度
高包含多物种（猪、大鼠、人）高光谱图像采集、语义标注、模型训练与验证、多种知识迁移任务（灌注、ICG），以及功能验证（分割性能提升）和机制分析（混合效应模型）。
主要模型
人类患者（230例） 猪模型 大鼠模型 肾脏（作为标准化模型）
重点核对
高光谱图像采集设备（Tivita Surgery, Diaspective Vision） 图像数量（14,013张）及语义标注数量（2,596张） 跨物种迁移条件（猪、大鼠到人） 数据增强概率P=0.8 线性变换参数（权重矩阵100x100，偏置向量100）
摘要
光学成像技术，如高光谱成像与基于机器学习的分析相结合，有望彻底改变临床手术成像。然而，这些模式面临着缺乏用于训练机器学习算法的大规模、代表性临床数据的问题。虽然临床前动物数据可以通过标准化实验大量获得，并允许对病理组织状态进行受控诱导，但从患者身上获得类似数据在伦理上是不可能的。为了利用这种情况，我们提出了“异种学习”（xeno-learning），一种受异种移植启发的跨物种知识迁移概念。在这里，我们使用来自人类以及猪和大鼠模型的共14,013张高光谱图像，表明尽管不同物种的器官光谱特征差异很大，但由病理或手术操作（如灌注不足或注射造影剂）引起的相对变化是可比的。在一个物种中学到的这种变化可以通过“基于生理学的数据增强”方法转移到新物种，从而实现临床前动物数据的大规模二次利用，用于人类应用。由此带来的益处预示着所提出的知识迁移概念对该领域未来的发展具有重大影响。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 是否可以利用临床前动物数据通过跨物种知识迁移来提升人类高光谱图像分割的性能？
- 核心机制
- 不同物种间器官光谱的绝对差异很大，但病理或手术操作引起的相对光谱变化具有可比性，因此可学习源物种的相对变化并应用于目标物种。
- 主要证据
- 在14,013张来自三物种的高光谱图像上，利用基于生理学数据增强的异种学习方法，可显著提升人类肾脏灌注不足组织上的分割DSC，并恢复ICG注射后的分割性能。
- 研究意义
- 证明了临床前动物数据可大规模二次利用于人类应用，有望提升AI手术图像分析的性能，减少对昂贵且受限的人类数据的需求。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
跨物种泛化失败分析
验证神经网络跨物种泛化失败的原因。
训练单物种分割网络并在其他物种上测试，测量DSC和NSD，分析物种间光谱差异和变化来源（混合效应模型）。
相对光谱变化相似性分析
验证不同物种间病理或操作引起的相对光谱变化是否相似。
比较生理和灌注不足/ICG注射后的器官光谱，使用PCA投影和StO2分布分析，观察跨物种一致的光谱转移。
异种学习数据增强与训练
利用源物种学到的相对变化来增强目标物种训练数据，提升分割性能。
在源物种上学习线性变换（权重矩阵和偏置），动态应用于目标物种的训练图像（概率P=0.8），混合原始光谱与变换光谱。
跨任务泛化验证
验证异种学习方法的通用性，用于ICG注射引起的知识迁移。
将异种学习方法（未修改）应用于ICG注射任务，评估跨物种的分割性能提升。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 图像采集 | Tivita Surgery | Diaspective Vision | -- |
| 药物处理 | 吲哚菁绿 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 高光谱图像采集 | 成像设备、光谱范围（500-1000nm）、分辨率（约5nm）、图像尺寸（640x480x100）、工作距离（约50cm）、环境控制（关闭其他光源） 阅读提示：Methods: Hyperspectral image acquisition |
| 图像标注 | 标注类别（12类）、标注方法（语义和多边形）、标注工具（MITK） 阅读提示：Methods: Hyperspectral image annotation |
| 分割模型训练 | 网络架构（U-Net + efficientnet-b5）、优化器（Adam）、学习率策略、批量大小、训练轮数、损失函数（Dice和交叉熵）、数据增强策略（包括异种学习增强） 阅读提示：Methods: Segmentation models, Training and validation set-up |
| 异种学习 | 变换参数维度、变换学习步骤数、优化器、增强概率、混合权重范围 阅读提示：Methods: Xeno-learning |
| 评价指标 | DSC, NSD阈值、统计方法（bootstrap）、交叉验证设置 阅读提示：Methods: Training and validation set-up |