Deep Learning auf einem 3D-Tomogramm mit zellularer Auflösung

Einführung Die Technologie der optischen kohärenten Tomographie (OCT) findet in der medizinischen Praxis, wie beispielsweise in der Augenheilkunde, breite Anwendung. Die Anwendung in der Dermatologie wird langsam vorangetrieben, bis sich die Auflösung in letzter Zeit deutlich verbessert hat. Eines der neu gestalteten OCT-Geräte, das in dieser Studie verwendet wird, basiert auf der Forschung und Entwicklung von Professor Sheng-Lung Huang von der National Taiwan University. Die Lichtquelle wurde aus original glasbeschichteten Kristallfasern hergestellt, die erfolgreich eine Auflösung im Submikrometerbereich auf der Haut erzielt haben, die besser ist als die herkömmliche Auflösung von 5–10 Mikrometern bei hochauflösendem OCT. Dieses neue OCT-System (ApolloVue™ S100-Bildsystem, Viper1-S003, Apollo Medical Optics) wurde in dieser früheren klinischen Studie „In-vivo-OCT-Bilder verschiedener Hauterkrankungen“ ohne Nebenwirkungen verwendet. OCT-Bilder verschiedener Hautkrankheiten, die in dieser Studie gesammelt wurden, wurden mit HE-gefärbten pathologischen Schnitten verglichen. Sie lieferten nützliche Informationen für Ärzte. Die Nutzen-Risiko-Bewertung dieser klinischen Studie ist wie erwartet. Das Risiko ist bei der klinischen Anwendung sowohl für die Anwender als auch für die Probanden gering. In den letzten Jahren hat sich die Anwendung der Technologie der künstlichen Intelligenz bei der Analyse der Gewebeklassifikation medizinischer Bilder rasant entwickelt. Daher werden wir die Deep-Learning-Technologie einsetzen, um die Interpretation von OCT-Bildern zu verbessern, um die nachfolgende Diagnose von Hautkrankheiten zu unterstützen.

Einschlusskriterien

Experimentelle Gruppe:

1. Erwachsene ab 20 Jahren
2. Nicht behandelte Läsion einer epidermalen entzündlichen Erkrankung: Dermatitis und Psoriasis: 300 Teilnehmer.
3. Gutartige Tumoren: seborrhoische Keratose und Nävus: 300 Teilnehmer
4. Bösartige Tumore: Aktinische Keratose (AK), Melanom, Basalzellkarzinom (BCC), Morbus Bowen, Plattenepithelkarzinom (SCC) und extramammäre Paget-Krankheit (EMPD): 100 Teilnehmer
5. Pigmentierte Krankheiten: Sonnenlentigo, Melasma und Vitiligo: 300 Teilnehmer

Kontrollgruppe:

Die gesunde Haut des Gesichts (exponierte Stelle) und des inneren Unterarms (unexponierte Stelle) von epidermalen Tumoren und pigmentierten Erkrankungen der obigen experimentellen Gruppe wurde als Kontrollgruppe verwendet, wobei epidermale entzündliche Erkrankungen ausgeschlossen wurden, 700 Teilnehmer in der Kontrollgruppe wurden erwartet.

Ausschlusskriterien

Experimentelle Gruppe:

1. Minderjährige unter 20 Jahren
2. Verdacht auf eine transkutane Infektionskrankheit, einschließlich Infektionen wie Bakterien, Pilze, Viren und Parasiten.
3. Alle Hauttumoren, die sich im Unterhautgewebe befinden
4. Alle Hautläsionen sind offene Wunden
5. Alle Hautläsionen befinden sich an einer Stelle, die schwer zu scannen ist
6. Nicht bereit, mit Methoden und verwandten Verfahren dieser Studie zu kooperieren
7. Gefährdete Bevölkerungsgruppen, einschließlich Gefangene, schwangere Frauen, Behinderte, geistig Behinderte, bekannte AIDS-Patienten und Obdachlose

Kontrollgruppe:

1. Minderjährige unter 20 Jahren.
2. Epidermale entzündliche Erkrankung
3. Verdacht auf eine transkutane Infektionskrankheit, einschließlich Infektionen wie Bakterien, Pilze, Viren und Parasiten.
4. Personen mit einer systemischen Hauterkrankung.
5. Personen mit einer Vorgeschichte von schweren Hauterkrankungen
6. Personen mit Operationen/Schönheitsoperationen/mikrokosmetischen Operationen (z. kosmetische Injektionen und/oder Laser usw.) auf gesunder Haut im Gesicht und an der Innenseite des Unterarms in den letzten 3 Monaten und ein Arzt bestimmt, dass die Operation das Ergebnis der OCT-Bilder beeinflusst.
7. Nicht bereit, mit Methoden und verwandten Verfahren dieser Studie zu kooperieren
8. Gefährdete Bevölkerungsgruppen, einschließlich Gefangene, schwangere Frauen, Behinderte, geistig Behinderte, bekannte AIDS-Patienten und Obdachlose

Deep Convolutional Neural Network (DCNN) wurde verwendet, um Gewebe und Läsionen in OCT-Bildern zu markieren. Beim Trainieren von DCNN-Modellen werden Transfer-Lernstrategien verwendet, um die Parameter von vortrainierten Modellen zu optimieren, die viel Bildwissen enthalten, wie z. B. GoogLeNet, anstatt die Modelle von Grund auf neu zu trainieren. Dieses Verfahren behält das Bildwissen auf niedriger Ebene bei, das natürlichen und medizinischen Bildern gemeinsam ist, und reduziert die Zeit zum Trainieren des Modells erheblich. Während des Trainingsprozesses werden die Parameter der ersten wenigen Schichten, die das Bildwissen niedriger Ordnung im Modell speichern, festgelegt, und die Parameter der nachfolgenden Schichten des Modells werden durch den Back-Propagation-Algorithmus geändert. Schließlich wird am Ende des DCNN eine Schicht eines linearen Klassifikators hinzugefügt, um die Art/Größe der Symptome im Eingabebild zu bestimmen.