Debido a la presencia de múltiples factores de error en el sistema de imagen de polarización de la matriz de Mueller, se propone un modelo de corrección de errores multifactorial entre módulos para mejorar la precisión y estabilidad del sistema en la detección de muestras de tejidos patológicos, y explorar su potencial en el diagnóstico asistido del cáncer de tiroides. Primero, se analizan las principales fuentes de error del sistema, se utiliza un método analítico y un método de reconstrucción numérica para establecer un modelo de transferencia de error en el camino óptico, y se construye un modelo de corrección de errores multifactorial entre módulos con 16 parámetros de calibración. En segundo lugar, se calibran los 16 parámetros mediante el método de mínimos cuadrados no lineales; según el modelo de corrección de errores, se detecta la matriz de Mueller del aire y de las laminillas en blanco para evaluar la precisión de detección. Luego, tomando como muestras laminillas no teñidas de carcinoma papilar de tiroides y bocio nodular, se utilizan métodos de descomposición de polarización de la matriz de Mueller para extraer cuatro parámetros vectoriales (Δ, P, D, R), y se extraen características de textura de las imágenes de cada parámetro vectorial; se construyen dos modelos de clasificación, bosque aleatorio y máquina de vectores de soporte, para obtener la matriz de confusión y la curva ROC. Finalmente, la efectividad de la clasificación se evalúa calculando precisión, recall, puntuación F1 y AUC. Los resultados experimentales muestran que la precisión de calibración mejora un 12%, la estabilidad de calibración un 21.5% y la precisión de detección un 59%; las características texturales de las imágenes de cada parámetro vectorial distinguen eficazmente entre carcinoma papilar de tiroides y bocio nodular; el rendimiento de clasificación del bosque aleatorio es mejor que el de la máquina de vectores de soporte, y el parámetro Δ en el clasificador de bosque aleatorio es el más significativo, con un F1-score y AUC de 0.96 y 0.99 respectivamente. El modelo de corrección de errores multifactorial propuesto mejora significativamente la precisión y estabilidad del sistema de detección, combinando el método de descomposición de polarización de la matriz de Mueller y el análisis de textura, se puede distinguir eficazmente entre muestras de carcinoma papilar de tiroides y bocio nodular, proporcionando un nuevo método para el diagnóstico asistido temprano del cáncer con buenas perspectivas de aplicación.

imagen de polarización; corrección de errores; parámetros vectoriales de la matriz de Mueller; características de textura; bosque aleatorio