Dyb læring på Tomogram med 3D-cellulær opløsning

Introduktion Optisk kohærent tomografi (OCT) teknologi har været meget brugt i medicinsk praksis, såsom oftalmologi. Anvendelsen i dermatologi er langsomt fremskreden indtil den markante forbedring af opløsningen for nylig. En af de nydesignede OCT-enheder, der bruges i denne undersøgelse, er baseret på forskning og udvikling af professor Sheng-Lung Huang fra National Taiwan University. Lyskilden blev lavet med originale glasbeklædte krystallinske fibre, som med succes har givet sub-mikron opløsning på huden, hvilket er bedre end den traditionelle 5-10 mikron opløsning i high-definition OCT. Dette nye OCT-system (ApolloVue™ S100 billedsystem, Viper1-S003, Apollo Medical Optics) er blevet brugt i dette tidligere kliniske forsøg "in vivo OCT-billeder af forskellige hudsygdomme" uden bivirkninger. OCT-billeder af forskellige hudsygdomme indsamlet i dette forsøg blev sammenlignet med HE-farvede patologiske snit. De gav nyttig information til læger. Risiko-benefit-vurderingen af ​​dette kliniske forsøg er den samme som forventet. Risikoen er lav ved klinisk brug, og både for operatørerne og forsøgspersonerne. I de senere år er anvendelsen af ​​kunstig intelligens-teknologi i analysen af ​​vævsklassificering af medicinske billeder i hastig udvikling. Derfor vil vi bruge deep learning-teknologi til at forbedre fortolkningen af ​​OCT-billeder for at hjælpe den efterfølgende diagnose af hudsygdomme.

Inklusionskriterier

Eksperimentel gruppe:

1. Voksne i alderen 20 år eller ældre
2. Ikke-behandle læsion af epidermal inflammatorisk sygdom: dermatitis og psoriasis: 300 deltagere.
3. Godartede tumorer: seborrheic keratosis og nevus: 300 deltagere
4. Maligne tumorer: aktinisk keratose (AK), melanom, basalcellekarcinom (BCC), Bowens sygdom, planocellulært karcinom (SCC) og ekstramammær Pagets sygdom (EMPD): 100 deltagere
5. Pigmenterede sygdomme: solar lentigo, melasma og vitiligo: 300 deltagere

Kontrolgruppe:

Det raske ansigt (eksponeret sted) og indre underarm (ueksponeret sted) hud af epidermale tumorer og pigmenterede sygdomme i ovennævnte forsøgsgruppe blev brugt som kontrolgruppe, eksklusive epidermale inflammatoriske sygdomme, 700 deltagere i kontrolgruppen forventedes.

Eksklusionskriterier

Eksperimentel gruppe:

1. Mindreårige under 20 år
2. Mistænkt for en transkutan infektionssygdom, herunder infektioner som bakterier, svampe, vira og parasitter.
3. Alle hudtumorer, der er i det subkutane væv
4. Alle hudlæsioner er åbne sår
5. Alle hudlæsioner er på et sted, der er vanskeligt at scanne
6. Ikke villig til at samarbejde med metoder og relaterede procedurer i denne undersøgelse
7. Sårbare befolkningsgrupper, herunder fanger, gravide kvinder, handicappede, mentalt handicappede, kendte AIDS-patienter og hjemløshed

Kontrolgruppe:

1. Mindreårige under 20 år.
2. Epidermal inflammatorisk sygdom
3. Mistænkt for en transkutan infektionssygdom, herunder infektioner som bakterier, svampe, vira og parasitter.
4. Personer, der har en systemisk hudlidelse.
5. Personer, der har en historie med alvorlig hudlidelse
6. Personer med operationer/kosmetiske operationer/mikrokosmetiske operationer (f. kosmetiske injektioner og/eller laser osv.) på sund hud i ansigtet og indersiden af ​​underarmen i de sidste 3 måneder, og en læge bestemmer, at operationen vil påvirke resultatet af OCT-billederne.
7. Ikke villig til at samarbejde med metoder og relaterede procedurer i denne undersøgelse
8. Sårbare befolkningsgrupper, herunder fanger, gravide kvinder, handicappede, mentalt handicappede, kendte AIDS-patienter og hjemløshed

Deep convolutional neural network (DCNN) blev brugt til at markere væv og læsioner i OCT-billeder. Når man træner DCNN-modeller, vil transferlæringsstrategier blive brugt til at finjustere parametrene fra præ-trænede modeller, der indeholder en masse billedviden, såsom GoogLeNet, i stedet for at træne modellerne fra bunden. Denne metode bevarer den lave billedviden, der er fælles for naturlige og medicinske billeder, og reducerer tiden til at træne modellen markant. Under træningsprocessen fastlægges parametrene for de første par lag, der lagrer lavordens billedviden i modellen, og parametrene for de efterfølgende lag af modellen ændres af tilbage-propageringsalgoritmen. Til sidst føjes et lag af lineær klassificering til slutningen af ​​DCNN for at bestemme typen/størrelsen af ​​symptomerne i inputbilledet.