Polarimetry meets biophotonics: featuring new applications supported by advanced image processing and machine learning

Abstract

Aquesta tesi presenta un estudi exhaustiu sobre el potencial de l'ús de mètodes de polarimetria dimatge per a la inspecció de teixits biològics, tant d'origen vegetal com animal. La idoneïtat dels mètodes polarimètrics per a la inspecció de teixits de plantes malaltes es demostra mesurant les matrius Mueller experimentals de diversos espècimens de plantes amb diferents símptomes de malalties i etapes d'infecció utilitzant un polarímetre Mueller d'imatge completa. Es demostra que la capacitat de recuperar el contingut despolaritzant de les mostres de plantes millora el contrast de la imatge i revela les regions ferides que no són visibles amb les inspeccions periòdiques. A més, per combinar el potencial discriminatori dels observables polarimètrics en una sola imatge, es proposen dos nous mètodes: (1) usant la distància euclidiana entre valors polarimètrics de diferents teixits, i (2) usant una funció normal (gaussiana) basada en dades polarimètrics per estimar la probabilitat de pertànyer a un determinat teixit. Aquests dos mètodes es proven en quatre mostres biològiques d'origen animal i vegetal i mostren potencial per utilitzar-les en aplicacions biomèdiques i botàniques. També es presenta un mètode de model òptic predictiu per al reconeixement de teixits utilitzant indicadors polarimètrics i matrius de Mueller per reconèixer el tipus de teixit d'una mostra en una sola mesura. Aquest mètode s'aplica amb èxit per discriminar entre quatre teixits diferents: tendó, múscul, os i unió miotendinosa. Finalment, utilitzant l'aprenentatge automàtic, comparem 12 models de classificació basats en diferents conjunts de dades polarimètriques per determinar el mètode més efectiu per a la classificació de teixits en mostres de pollastre ex-vivo. Els resultats mostren que els elements de la matriu de Mueller són els més efectius pel disseny de models de classificació. Els resultats proporcionats obren el camí a mètodes d'imatge i classificació basats en observables despolaritzants per a aplicacions en biofotònica, com per a la detecció primerenca de patologies o per implementar procediments automàtics assistits.

Esta tesis presenta un estudio exhaustivo sobre el potencial del uso de métodos de polarimetría de imagen para la inspección de tejidos biológicos, tanto de origen vegetal como animal. La idoneidad de los métodos polarimétricos para la inspección de tejidos de plantas enfermas se demuestra midiendo las matrices Mueller experimentales de varios especímenes de plantas con diferentes síntomas de enfermedades y etapas de infección utilizando un polarímetro Mueller de imagen completa. Se demuestra que la capacidad de recuperar el contenido despolarizante de las muestras de plantas mejora el contraste de la imagen y revela las regiones heridas que no son visibles con las inspecciones periódicas. Además, para combinar el potencial discriminatorio de los observables polarimétricos en una sola imagen, se proponen dos nuevos métodos: (1) usando la distancia euclidiana entre valores polarimétricos de diferentes tejidos, y (2) usando una función normal (gaussiana) basada en datos polarimétricos para estimar la probabilidad de pertenecer a un determinado tejido. Estos dos métodos se prueban en cuatro muestras biológicas de origen animal y vegetal y muestran potencial para su uso en aplicaciones biomédicas y botánicas. También se presenta un método de modelo óptico predictivo para el reconocimiento de tejidos utilizando indicadores polarimétricos y matrices de Mueller para reconocer el tipo de tejido de una muestra en una sola medición. Este método se aplica con éxito para discriminar entre cuatro tejidos animales diferentes: tendón, músculo, hueso y unión miotendinosa. Finalmente, utilizando el aprendizaje automático, comparamos 12 modelos de clasificación basados en diferentes conjuntos de datos polarimétricos para determinar el método más efectivo para la clasificación de tejidos en muestras de pollo ex-vivo. Los resultados muestran que los elementos de la matriz de Mueller son los más efectivos para el diseño de modelos de clasificación. Los resultados proporcionados abren el camino a métodos de imagen y clasificación basados en observables despolarizantes para aplicaciones en biofotónica, como para la detección temprana de patologías o para implementar procedimientos automáticos asistidos.

This thesis presents a comprehensive study on the potential of using imaging polarimetry methods for the inspection of biological tissues, both plant and animal origin. The suitability of polarimetric methods for the inspection of diseased plant tissues is demonstrated by measuring the experimental Mueller matrices of various plant specimens with different disease symptoms and infection stages using a complete image Mueller polarimeter. The ability to retrieve the depolarizing content of the plant samples is shown to enhance image contrast and reveal wounded regions not visible with regular inspections. In addition, to combine the discriminatory potential of polarimetric observables in a single image, we propose two new methods: (1) using the Euclidean distance between polarimetric values of different tissues, and (2) using a Normal (Gaussian) function based on polarimetric data to estimate the probability of belonging to a particular tissue. These two methods are tested on four biological samples of animal and plant origin and show potential for use in biomedical and botanical applications. We also present a predictive optical model method for tissue recognition using polarimetric indicators and Mueller matrices to recognize the tissue type of a sample in a single measurement. This method is successfully applied to discriminate between four different animal tissues: tendon, muscle, bone and myotendinous junction. Finally, using machine learning, we compare 12 classification models based on different polarimetric datasets to determine the most effective method for tissue classification in ex-vivo chicken samples. The results show that raw Mueller matrix elements are the most effective for the design of classification models. The provided results pave the way of imaging and classification methods based on depolarizing observables for applications in biophotonics, as for the early detection of pathologies or to implement automatic assisted procedures.