Angesichts der vielfältigen Fehlerquellen im Mueller-Matrix-Polarimetrie-Bildgebungssystem wird ein multifaktorielles, modulübergreifendes Fehlerkorrekturmodell vorgeschlagen, um die Genauigkeit und Stabilität des Systems bei der Detektion pathologischer Gewebeproben zu verbessern und das Anwendungspotenzial bei der unterstützenden Diagnose von Schilddrüsenkrebs zu erforschen. Zunächst werden die Hauptursachen der Systemfehler analysiert, und mittels analytischer Methoden sowie numerischer Rekonstruktion ein Fehlerübertragungsmodell des optischen Pfades erstellt, das ein multifaktorielles, modulübergreifendes Fehlerkorrekturmodell mit 16 Kalibrierungsparametern enthält. Anschließend werden die 16 Parameter mittels nichtlinearer Methode der kleinsten Quadrate kalibriert; entsprechend dem Fehlerkorrekturmodell wird die Mueller-Matrix von Luft und Leerproben gemessen, um die Detektionsgenauigkeit zu bewerten. Dann werden anhand von ungefärbten Schnitten des papillären Schilddrüsenkarzinoms und des knotigen Schilddrüsenknotens vier Vektorparameter (Δ, P, D, R) mit der Polarisationsextraktionsmethode der Mueller-Matrix extrahiert und die Texturmerkmale der jeweiligen Vektorparameterbilder extrahiert; zwei Klassifikationsmodelle – Random Forest und Support Vector Machine – werden aufgebaut, um Verwirrungsmatrizen und ROC-Kurven zu erhalten. Abschließend wird die Klassifikationsleistung durch Berechnung von Präzision, Recall, F1-Score und AUC bewertet. Die experimentellen Ergebnisse zeigen: Die Kalibrierungsgenauigkeit wurde um 12 % verbessert, die Kalibrierungsstabilität um 21,5 %, und die Detektionsgenauigkeit um 59 % erhöht; die Texturmerkmale der Vektorparameterbilder können papilläres Schilddrüsenkarzinom und knotige Schilddrüsenerkrankungen effektiv unterscheiden. Die Klassifikationsergebnisse des Random Forest übertrafen die der Support Vector Machine, wobei der Δ-Parameter im Random Forest am aussagekräftigsten war und F1-Score sowie AUC Werte von 0,96 bzw. 0,99 erreichten. Das vorgeschlagene multifaktorielle Fehlerkorrekturmodell verbesserte die Detektionsgenauigkeit und Stabilität des Systems deutlich, und in Kombination mit der Polarisationsextraktionsmethode der Mueller-Matrix und der Texturanalyse kann es papillären Schilddrüsenkrebs effektiv von knotigen Schilddrüsenerkrankungen unterscheiden. Dies bietet eine neue Methode zur unterstützenden Früherkennung von Krebs mit gutem Anwendungspotenzial.

Polarimetrie-Bildgebung;Fehlerkorrektur;Vektorparameter der Mueller-Matrix;Texturmerkmale;Random Forest