مقاله طیف سنجی رامان پیشرفته سطحی و یادگیری انتقال به سمت بازسازی دقیق ناحیه جراحی

چکیده

Raman spectroscopy, a photonic modality based on the inelastic backscattering of coherent light, is a valuable asset to the intraoperative sensing space, offering non-ionizing potential and highly-specific molecular fingerprint-like spectroscopic signatures that can be used for diagnosis of pathological tissue in the dynamic surgical field. Though Raman suffers from weakness in intensity, Surface-Enhanced Raman Spectroscopy (SERS), which uses metal nanostructures to amplify Raman signals, can achieve detection sensitivities that rival traditional photonic modalities. In this study, we outline a robotic Raman system that can reliably pinpoint the location and boundaries of a tumor embedded in healthy tissue, modeled here as a tissue-mimicking phantom with selectively infused Gold Nanostar regions. Further, due to the relative dearth of collected biological SERS or Raman data, we implement transfer learning to achieve 100% validation classification accuracy for Gold Nanostars compared to Control Agarose, thus providing a proof-of-concept for Raman-based deep learning training pipelines. We reconstruct a surgical field of 30x60mm in 10.2 minutes, and achieve 98.2% accuracy, preserving relative measurements between features in the phantom. We also achieve an 84.3% Intersection-over-Union score, which is the extent of overlap between the ground truth and predicted reconstructions. Lastly, we also demonstrate that the Raman system and classification algorithm do not discern based on sample color, but instead on presence of SERS agents. This study provides a crucial step in the translation of intelligent Raman systems in intraoperative oncological spaces.

چکیده به فارسی (ترجمه ماشینی)

طیف سنجی رامان ، یک روش فوتونیک مبتنی بر پشتی غیرقانونی نور منسجم ، یک دارایی ارزشمند برای فضای سنجش حین عمل است ، و امضاهای طیف سنجی مانند اثر انگشت مانند مولکولی غیر یونیور را ارائه می دهد که می تواند برای تشخیص بافت پاتولوژیک در آن استفاده شودمیدان جراحی پویا.اگرچه رامان از ضعف در شدت رنج می برد ، طیف سنجی رامان با سطح سطح (SERS) ، که از نانوساختارهای فلزی برای تقویت سیگنال های رامان استفاده می کند ، می تواند به حساسیت های تشخیصی که با روشهای سنتی فوتونیک رقیب می شوند ، دست یابد.در این مطالعه ، ما یک سیستم رامان روباتیک را بیان می کنیم که می تواند به طور قابل اعتماد مکان و مرزهای تومور تعبیه شده در بافت سالم را مشخص کند ، که در اینجا به عنوان یک فانتوم بافتی با استفاده از مناطق نانوستار طلای تزریق شده مدل شده است.علاوه بر این ، با توجه به کمبود نسبی داده های بیولوژیکی جمع آوری شده یا داده های رامان ، ما یادگیری انتقال را برای دستیابی به دقت طبقه بندی اعتبار سنجی برای نانوستارهای طلا در مقایسه با کنترل آگارز انجام می دهیم ، بنابراین اثبات مفهوم برای خطوط آموزش عمیق یادگیری مبتنی بر رامان را فراهم می کند.بشرما یک میدان جراحی 30x60mm را در 10.2 دقیقه بازسازی می کنیم و به دقت 98.2 ٪ می رسیم و اندازه گیری های نسبی بین ویژگی های موجود در فانتوم را حفظ می کنیم.ما همچنین به نمره 84.3 ٪ تقاطع بیش از اتحادیه می رسیم ، که میزان همپوشانی بین حقیقت زمین و بازسازی های پیش بینی شده است.سرانجام ، ما همچنین نشان می دهیم که سیستم رامان و الگوریتم طبقه بندی بر اساس رنگ نمونه تشخیص نمی دهند ، بلکه در عوض در حضور عوامل SERS هستند.این مطالعه یک گام مهم در ترجمه سیستم های هوشمند رامان در فضاهای انکولوژیکی حین عمل ارائه می دهد.