Angesichts der vielfältigen Fehlerquellen im Mueller-Matrix-Polarisationsbildgebungssystem wird ein mehrfaktorielles, modulübergreifendes Fehlerkorrekturmodell vorgeschlagen, um die Genauigkeit und Stabilität des Systems bei der Erkennung pathologischer Gewebeproben zu verbessern und dessen Anwendungspotenzial bei der unterstützenden Diagnose von Schilddrüsenkrebs zu untersuchen. Zunächst werden die Hauptfehlerursachen des Systems analysiert, ein Fehlerübertragungsmodell des optischen Pfads mit analytischer und numerischer Rekonstruktionsmethode erstellt und ein mehrfaktorielles, modulübergreifendes Fehlerkorrekturmodell mit 16 Kalibrierparametern aufgebaut. Anschließend werden die 16 Parameter mittels nichtlinearer Kleinste-Quadrate-Regression kalibriert; basierend auf dem Fehlerkorrekturmodell werden die Mueller-Matrizen von Luft und Blankobjekträgern zur Bewertung der Erkennungsgenauigkeit gemessen. Dann werden unbefärbte Schnitte von papillärem Schilddrüsenkarzinom und knotigem Schilddrüsenadenom als Proben verwendet, um mit der Mueller-Matrix-Polarisationszerlegungsmethode vier Vektorparameter (Δ, P, D, R) zu extrahieren; außerdem werden Texturmerkmale der jeweiligen Vektorparameterbilder extrahiert, und es werden zwei Klassifikationsmodelle, Random Forest und Support Vector Machine, erstellt, um Konfusionsmatrix und ROC-Kurve zu erhalten. Schließlich wird die Klassifikationsleistung mit den Metriken Precision, Recall, F1-Score und AUC bewertet. Die experimentellen Ergebnisse zeigen: Die Kalibrierungsgenauigkeit wurde um 12 % verbessert, die Kalibrierungsstabilität um 21,5 % und die Erkennungsgenauigkeit um 59 % erhöht; die Texturmerkmale der Vektorparameterbilder unterscheiden wirksam zwischen papillärem Schilddrüsenkarzinom und knotigem Schilddrüsenadenom; die Klassifikationsleistung des Random Forest übertrifft die der Support Vector Machine, wobei der Δ-Parameter im Random Forest-Klassifikator am aussagekräftigsten ist, mit einem F1-Score und AUC von 0,96 beziehungsweise 0,99. Das vorgeschlagene mehrfaktorielle Fehlerkorrekturmodell verbessert die Erkennungsgenauigkeit und Stabilität des Systems erheblich; kombiniert mit der Mueller-Matrix-Polarisationszerlegungsmethode und der Texturanalyse können Proben von papillärem Schilddrüsenkarzinom und knotigem Schilddrüsenadenom effektiv unterschieden werden, was eine neue Methode für die frühzeitige Krebsdiagnose mit vielversprechenden Anwendungsmöglichkeiten darstellt.

Polarisationsbildgebung; Fehlerkorrektur; Vektorparameter der Mueller-Matrix; Texturmerkmale; Random Forest