Deep Learning på Tomogram med 3D-mobiloppløsning

Introduksjon Optisk koherent tomografi (OCT)-teknologi har vært mye brukt i medisinsk praksis, for eksempel oftalmologi. Søknaden i dermatologi er sakte fremskritt til den markerte forbedringen av oppløsning nylig. En av de nydesignede OCT-enhetene som brukes i denne studien er basert på forskning og utvikling av professor Sheng-Lung Huang ved National Taiwan University. Lyskilden ble laget med original glassdekket krystallinsk fiber som med suksess har gitt sub-mikron oppløsning på huden, noe som er bedre enn den tradisjonelle 5-10 mikron oppløsningen i høyoppløsning OCT. Dette nye OCT-systemet (ApolloVue™ S100 bildesystem, Viper1-S003, Apollo Medical Optics) har blitt brukt i denne tidligere kliniske studien "in vivo OCT-bilder av forskjellige hudsykdommer" uten bivirkninger. OCT-bilder av forskjellige hudsykdommer samlet i den studien ble sammenlignet med HE-fargede patologiske seksjoner. De ga nyttig informasjon til leger. Risiko-nyttevurderingen av denne kliniske studien er den samme som forventet. Risikoen er lav ved klinisk bruk, og både for operatørene og forsøkspersonene. De siste årene har bruken av kunstig intelligens-teknologi i analyse av vevsklassifisering av medisinske bilder utviklet seg raskt. Derfor skal vi bruke dyplæringsteknologi for å forbedre tolkningen av OCT-bilder for å hjelpe den påfølgende diagnosen av hudsykdommer.

Inklusjonskriterier

Eksperimentell gruppe:

1. Voksne i alderen 20 år eller eldre
2. Ikke-behandle lesjon av epidermal inflammatorisk sykdom: dermatitt og psoriasis: 300 deltakere.
3. Godartede svulster: seboreisk keratose og nevus: 300 deltakere
4. Ondartede svulster: aktinisk keratose (AK), melanom, basalcellekarsinom (BCC), Bowens sykdom, plateepitelkarsinom (SCC) og ekstramammær Pagets sykdom (EMPD): 100 deltakere
5. Pigmenterte sykdommer: solar lentigo, melasma og vitiligo: 300 deltakere

Kontrollgruppe:

Det friske ansiktet (eksponert sted) og indre underarm (ueksponert sted) huden til epidermale svulster og pigmenterte sykdommer i den ovennevnte eksperimentelle gruppen ble brukt som en kontrollgruppe, unntatt epidermale inflammatoriske sykdommer, 700 deltakere i kontrollgruppen var forventet.

Eksklusjonskriterier

Eksperimentell gruppe:

1. Mindreårige under 20 år
2. Mistanke om en transkutan infeksjonssykdom, inkludert infeksjoner som bakterier, sopp, virus og parasitter.
3. Alle hudsvulster som er i underhuden
4. Alle hudlesjoner er åpne sår
5. Alle hudlesjoner er på et sted som er vanskelig å skanne
6. Ikke villig til å samarbeide med metoder og relaterte prosedyrer i denne studien
7. Sårbare befolkninger, inkludert fanger, gravide kvinner, funksjonshemmede, mentalt funksjonshemmede, kjente AIDS-pasienter og hjemløshet

Kontrollgruppe:

1. Mindreårige under 20 år.
2. Epidermal inflammatorisk sykdom
3. Mistanke om en transkutan infeksjonssykdom, inkludert infeksjoner som bakterier, sopp, virus og parasitter.
4. Personer som har en systemisk hudlidelse.
5. Personer som har en historie med alvorlig hudlidelse
6. Personer med operasjoner/kosmetiske operasjoner/mikrokosmetisk kirurgi (f. kosmetiske injeksjoner og/eller laser etc.) på sunn hud i ansiktet og indre underarm i løpet av de siste 3 månedene og en lege bestemmer at operasjonen vil påvirke resultatet av OCT-bildene.
7. Ikke villig til å samarbeide med metoder og relaterte prosedyrer i denne studien
8. Sårbare befolkninger, inkludert fanger, gravide kvinner, funksjonshemmede, mentalt funksjonshemmede, kjente AIDS-pasienter og hjemløshet

Deep convolutional neural network (DCNN) ble brukt til å markere vev og lesjoner i OCT-bilder. Når du trener DCNN-modeller, vil overføringslæringsstrategier bli brukt for å finjustere parameterne fra forhåndstrente modeller som inneholder mye bildekunnskap, for eksempel GoogLeNet, i stedet for å trene modellene fra bunnen av. Denne metoden beholder bildekunnskapen på lavt nivå som er vanlig for naturlige og medisinske bilder, og reduserer tiden det tar å trene modellen betydelig. I løpet av treningsprosessen blir parametrene til de første lagene som lagrer lavordsbildekunnskapen i modellen fikset, og parametrene til de påfølgende lagene i modellen endres av tilbake-propageringsalgoritmen. Til slutt legges et lag med lineær klassifisering til på slutten av DCNN for å bestemme typen/størrelsen på symptomene i inndatabildet.