Hyperspectral unmixing for Raman spectroscopy via physics-constrained autoencoders

要約

ラマン分光法は、非破壊かつラベルフリーの方法でサンプルの化学組成を特徴付けるために、科学分野全体で広く使用されています。
多くのアプリケーションでは、分子種の混合物からの信号を分離して、存在する個々の成分とその比率を特定する必要がありますが、ケモメトリクスの従来の方法では、実際に遭遇する複雑な混合シナリオに苦労することがよくあります。
ここでは、オートエンコーダー ニューラル ネットワークに基づいたハイパースペクトル分離アルゴリズムを開発し、社内で作成された合成ベンチマーク データセットと実験ベンチマーク データセットの両方を使用して体系的に検証します。
私たちの結果は、アンミキシング オートエンコーダが標準のアンミキシング手法と比較して精度、堅牢性、効率が向上していることを示しています。
また、単球細胞からの体積測定ラマンイメージングデータの生化学的特徴付けの改善を示すことにより、複雑な生物学的設定へのオートエンコーダーの適用可能性を紹介します。

要約(オリジナル)

Raman spectroscopy is widely used across scientific domains to characterize the chemical composition of samples in a non-destructive, label-free manner. Many applications entail the unmixing of signals from mixtures of molecular species to identify the individual components present and their proportions, yet conventional methods for chemometrics often struggle with complex mixture scenarios encountered in practice. Here, we develop hyperspectral unmixing algorithms based on autoencoder neural networks, and we systematically validate them using both synthetic and experimental benchmark datasets created in-house. Our results demonstrate that unmixing autoencoders provide improved accuracy, robustness and efficiency compared to standard unmixing methods. We also showcase the applicability of autoencoders to complex biological settings by showing improved biochemical characterization of volumetric Raman imaging data from a monocytic cell.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google