В связи с наличием множества факторов ошибок в системе поляризационной визуализации матрицы Мюллера предложена модель коррекции ошибок с учетом нескольких факторов и跨模块ная модель для повышения точности и стабильности системы при обнаружении патологических образцов тканей, а также изучен ее потенциал в辅助诊断 рака щитовидной железы. Во-первых, проанализированы основные источники систематических ошибок, построена модель передачи ошибок оптической системы с использованием解析方法 и численной реконструкции, создана多因素跨模块ная модель коррекции ошибок с 16 параметрами калибровки. Во-вторых, 16 параметров откалиброваны методом非线性最小二乘拟合; на основе модели коррекции ошибок проведено измерение матрицы Мюллера воздуха и пустых слайдов для оценки точности обнаружения. Затем, используя невысушенные слайды папиллярной карциномы щитовидной железы и узлового зоба в качестве образцов, методом极化分解 матрицы Мюллера извлечены четыре векторных параметра (Δ, P, D, R), а также извлечены текстурные особенности изображений каждого векторного параметра, построены две модели классификации - случайный лес и поддерживающий векторный машинный классификатор для получения матрицы ошибок и ROC-кривой. Наконец, оценена классификация по показателям Precision, Recall, F1-score и AUC. Экспериментальные результаты показали: точность калибровки улучшилась на 12 %, стабильность на 21.5 %, точность обнаружения на 59 %; текстурные характеристики каждого векторного параметра эффективно различают папиллярную карциному щитовидной железы и узловой зоб; классификация случайным лесом превосходит классификацию машиной опорных векторов, при этом параметр Δ в классификаторе случайного леса наиболее значителен, F1-score и AUC составили 0.96 и 0.99 соответственно. Предложенная多因素误差校正 модель значительно улучшила точность и стабильность системы, в сочетании с методом极化分解 матрицы Мюллера и текстурным анализом может эффективно отличать образцы папиллярной карциномы щитовидной железы от узлового зоба, предоставляя новый метод для辅助诊断 рака на ранних стадиях с хорошими перспективами применения.

поляризационная визуализация; коррекция ошибок; векторные параметры матрицы Мюллера; текстурные характеристики; случайный лес