Deep Learning sur le tomogramme 3D à résolution cellulaire

Introduction La technologie de tomographie optique cohérente (OCT) a été largement utilisée dans la pratique médicale, telle que l'ophtalmologie. L'application en dermatologie progresse lentement jusqu'à la nette amélioration de la résolution récemment. L'un des appareils OCT nouvellement conçus utilisés dans cette étude est basé sur la recherche et le développement du professeur Sheng-Lung Huang de l'Université nationale de Taiwan. La source lumineuse a été fabriquée avec une fibre cristalline originale recouverte de verre qui a fourni avec succès une résolution inférieure au micron sur la peau, ce qui est meilleur que la résolution traditionnelle de 5 à 10 microns de l'OCT haute définition. Ce nouveau système OCT (ApolloVue™ S100 image system, Viper1-S003, Apollo Medical Optics) a été utilisé dans cet essai clinique précédent "images OCT in vivo de différentes maladies de la peau" sans événements indésirables. Les images OCT de différentes maladies de la peau recueillies dans cet essai ont été comparées à des coupes pathologiques colorées à l'HE. Ils ont fourni des informations utiles aux médecins. L'évaluation des risques et des avantages de cet essai clinique est la même que celle attendue. Le risque est faible en utilisation clinique, tant pour les opérateurs que pour les sujets. Ces dernières années, l'application de la technologie de l'intelligence artificielle dans l'analyse de la classification des tissus des images médicales se développe rapidement. Par conséquent, nous allons utiliser la technologie d'apprentissage en profondeur pour améliorer l'interprétation des images OCT afin d'aider au diagnostic ultérieur des maladies de la peau.

Critère d'intégration

Groupe expérimental:

1. Adultes âgés de 20 ans ou plus
2. Lésion non traitée de la maladie inflammatoire épidermique : dermatite et psoriasis : 300 participants.
3. Tumeurs bénignes : kératose séborrhéique et naevus : 300 participants
4. Tumeurs malignes : kératose actinique (KA), mélanome, carcinome basocellulaire (BCC), maladie de Bowen, carcinome épidermoïde (SCC) et maladie de Paget extramammaire (EMPD) : 100 participants
5. Maladies pigmentées : lentigo solaire, mélasma et vitiligo : 300 participants

Groupe de contrôle:

La peau saine du visage (site exposé) et de l'avant-bras interne (site non exposé) des tumeurs épidermiques et des maladies pigmentées du groupe expérimental ci-dessus a été utilisée comme groupe témoin, à l'exclusion des maladies inflammatoires épidermiques, 700 participants du groupe témoin étaient attendus.

Critère d'exclusion

Groupe expérimental:

1. Mineurs de moins de 20 ans
2. Suspicion d'une maladie infectieuse transcutanée, y compris des infections telles que des bactéries, des champignons, des virus et des parasites.
3. Toutes les tumeurs cutanées qui se trouvent dans le tissu sous-cutané
4. Toutes les lésions cutanées sont des plaies ouvertes
5. Toutes les lésions cutanées se trouvent dans un endroit difficile à scanner
6. Pas disposé à coopérer avec les méthodes et les procédures associées de cette étude
7. Populations vulnérables, y compris les prisonniers, les femmes enceintes, les handicapés, les handicapés mentaux, les patients atteints du SIDA et les sans-abrisme

Groupe de contrôle:

1. Mineurs de moins de 20 ans.
2. Maladie inflammatoire épidermique
3. Suspicion d'une maladie infectieuse transcutanée, y compris des infections telles que des bactéries, des champignons, des virus et des parasites.
4. Les personnes qui ont un trouble systémique de la peau.
5. Les personnes qui ont des antécédents d'affection cutanée grave
6. Les personnes ayant des chirurgies/chirurgies esthétiques/micro-chirurgie esthétique (par ex. injections cosmétiques et/ou laser, etc.) sur une peau saine au niveau du visage et de l'avant-bras au cours des 3 derniers mois et un médecin détermine que la chirurgie affectera le résultat des images OCT.
7. Pas disposé à coopérer avec les méthodes et les procédures associées de cette étude
8. Populations vulnérables, y compris les prisonniers, les femmes enceintes, les handicapés, les handicapés mentaux, les patients atteints du SIDA et les sans-abrisme

Le réseau de neurones à convolution profonde (DCNN) a été utilisé pour marquer les tissus et les lésions dans les images OCT. Lors de la formation des modèles DCNN, des stratégies d'apprentissage par transfert seront utilisées pour affiner les paramètres des modèles pré-formés qui contiennent beaucoup de connaissances sur les images, comme GoogLeNet, plutôt que de former les modèles à partir de zéro. Cette méthode conserve les connaissances d'image de bas niveau communes aux images naturelles et médicales, et réduit considérablement le temps d'apprentissage du modèle. Pendant le processus de formation, les paramètres des premières couches qui stockent les connaissances d'image d'ordre inférieur dans le modèle sont fixés, et les paramètres des couches suivantes du modèle sont modifiés par l'algorithme de rétropropagation. Enfin, une couche de classificateur linéaire est ajoutée à la fin du DCNN pour déterminer le type/taille des symptômes dans l'image d'entrée.