Frente a los múltiples factores de error presentes en el sistema de imagen de polarización basado en la matriz de Mueller, se propone un modelo de corrección de errores multifactorial y entre módulos para mejorar la precisión y estabilidad del sistema en la detección de muestras de tejidos patológicos, y se explora su potencial aplicación en el diagnóstico asistido del cáncer de tiroides. En primer lugar, se analizan las principales fuentes de error del sistema y se establecen modelos de transmisión de errores en el camino óptico mediante métodos analíticos y de reconstrucción numérica, construyendo un modelo de corrección de errores multifactorial entre módulos que incluye 16 parámetros de calibración. En segundo lugar, se calibran los 16 parámetros mediante un método de mínimos cuadrados no lineales; según el modelo de corrección de errores, se detecta la matriz de Mueller del aire y de los portaobjetos en blanco para evaluar la precisión de la detección. Luego, usando muestras de cortes no teñidos de carcinoma papilar de tiroides y bocio nodular, se extraen cuatro parámetros vectoriales (Δ, P, D, R) mediante el método de descomposición de polarización de la matriz de Mueller, y se extraen características texturales de las imágenes de cada parámetro vectorial; se construyen dos modelos clasificadores, bosques aleatorios y máquinas de vectores de soporte, para obtener matrices de confusión y curvas ROC. Finalmente, el rendimiento de clasificación se evalúa calculando Precision, Recall, F1-score y AUC. Los resultados experimentales muestran que la precisión de calibración mejoró un 12%, la estabilidad de calibración un 21,5% y la precisión de detección un 59%; las características texturales de las imágenes de los parámetros vectoriales permitieron distinguir eficazmente entre el carcinoma papilar tiroideo y el bocio nodular, siendo la clasificación con bosques aleatorios mejor que con máquinas de vectores de soporte, y el rendimiento del parámetro Δ en el clasificador de bosques aleatorios fue el más notable, alcanzando valores de F1-score y AUC de 0,96 y 0,99 respectivamente. El modelo de corrección de errores multifactorial propuesto mejoró significativamente la precisión y estabilidad de la detección del sistema; combinado con el método de descomposición polarimétrica de la matriz de Mueller y el análisis de texturas, puede distinguir efectivamente entre carcinoma papilar tiroideo y bocio nodular, ofreciendo un nuevo método para el diagnóstico asistido temprano del cáncer con buenas perspectivas de aplicación.

imagen polarimétrica;corrección de errores;parámetros vectoriales de la matriz de Mueller;características texturales;bosque aleatorio