Diep leren op 3D Tomogram met cellulaire resolutie

Inleiding Optische coherente tomografietechnologie (OCT) wordt veel gebruikt in de medische praktijk, zoals oogheelkunde. De toepassing in de dermatologie vordert langzaam tot de recente duidelijke verbetering van de resolutie. Een van de nieuw ontworpen OCT-apparaten die in deze studie worden gebruikt, is gebaseerd op het onderzoek en de ontwikkeling van professor Sheng-Lung Huang van de National Taiwan University. De lichtbron is gemaakt met originele met glas bedekte kristallijne vezels die met succes een submicronresolutie op de huid hebben geleverd, wat beter is dan de traditionele 5-10 micronresolutie van high-definition OCT. Dit nieuwe OCT-systeem (ApolloVue™ S100-beeldsysteem, Viper1-S003, Apollo Medical Optics) is gebruikt in deze eerdere klinische proef "in vivo OCT-beelden van verschillende huidziekten" zonder bijwerkingen. OCT-beelden van verschillende huidziekten die in die proef waren verzameld, werden vergeleken met met HE gekleurde pathologische secties. Ze verschaften nuttige informatie aan artsen. De risico-batenanalyse van deze klinische studie is hetzelfde als verwacht. Het risico is laag bij klinisch gebruik, zowel voor de operators als voor de proefpersonen. De laatste jaren ontwikkelt de toepassing van kunstmatige-intelligentietechnologie bij de analyse van weefselclassificatie van medische beelden zich snel. Daarom gaan we deep learning-technologie gebruiken om de interpretatie van OCT-beelden te verbeteren om de daaropvolgende diagnose van huidziekten te helpen.

Inclusiecriteria

Experimentele groep:

1. Volwassenen van 20 jaar of ouder
2. Niet-behandelbare laesie van epidermale ontstekingsziekte: dermatitis en psoriasis: 300 deelnemers.
3. Goedaardige tumoren: seborrheic keratose en naevus: 300 deelnemers
4. Kwaadaardige tumoren: actinische keratose (AK), melanoom, basaalcelcarcinoom (BCC), de ziekte van Bowen, plaveiselcelcarcinoom (SCC) en de extramammaire ziekte van Paget (EMPD): 100 deelnemers
5. Pigmentziekten: solar lentigo, melasma en vitiligo: 300 deelnemers

Controlegroep:

Het gezonde gezicht (blootgestelde plaats) en binnenste onderarm (niet-blootgestelde plaats) huid van epidermale tumoren en gepigmenteerde ziekten van de bovengenoemde experimentele groep werden gebruikt als een controlegroep, exclusief epidermale ontstekingsziekten, 700 deelnemers aan de controlegroep werden verwacht.

Uitsluitingscriteria

Experimentele groep:

1. Minderjarigen onder de 20 jaar
2. Vermoedelijk een transcutane infectieziekte, waaronder infecties zoals bacteriën, schimmels, virussen en parasieten.
3. Alle huidtumoren die zich in het onderhuidse weefsel bevinden
4. Alle huidlaesies zijn open wonden
5. Alle huidlaesies bevinden zich op een locatie die moeilijk te scannen is
6. Niet bereid om mee te werken aan methoden en gerelateerde procedures van deze studie
7. Kwetsbare bevolkingsgroepen, waaronder gevangenen, zwangere vrouwen, gehandicapten, verstandelijk gehandicapten, bekende AIDS-patiënten en daklozen

Controlegroep:

1. Minderjarigen jonger dan 20 jaar.
2. Epidermale ontstekingsziekte
3. Vermoedelijk een transcutane infectieziekte, waaronder infecties zoals bacteriën, schimmels, virussen en parasieten.
4. Personen met een systemische huidaandoening.
5. Personen met een voorgeschiedenis van ernstige huidaandoening
6. Personen met operaties/cosmetische operaties/microcosmetische chirurgie (bijv. cosmetische injecties en/of laser enz.) op een gezonde huid van het gezicht en de binnenkant van de onderarm in de afgelopen 3 maanden en een arts heeft vastgesteld dat de operatie het resultaat van de OCT-beelden zal beïnvloeden.
7. Niet bereid om mee te werken aan methoden en gerelateerde procedures van deze studie
8. Kwetsbare bevolkingsgroepen, waaronder gevangenen, zwangere vrouwen, gehandicapten, verstandelijk gehandicapten, bekende AIDS-patiënten en daklozen

Diep convolutioneel neuraal netwerk (DCNN) werd gebruikt om weefsel en laesies in OCT-afbeeldingen te markeren. Bij het trainen van DCNN-modellen zullen overdrachtsleerstrategieën worden gebruikt om de parameters te verfijnen van vooraf getrainde modellen die veel beeldkennis bevatten, zoals GoogLeNet, in plaats van de modellen helemaal opnieuw te trainen. Deze methode behoudt de low-level beeldkennis die gebruikelijk is voor natuurlijke en medische beelden, en verkort de tijd om het model te trainen aanzienlijk. Tijdens het trainingsproces worden de parameters van de eerste paar lagen die de lage-orde beeldkennis in het model opslaan, vastgelegd en worden de parameters van de volgende lagen van het model gewijzigd door het back-propagation-algoritme. Ten slotte wordt een laag lineaire classificatie toegevoegd aan het einde van de DCNN om het type/de grootte van de symptomen in het invoerbeeld te bepalen.