Głębokie uczenie się na tomogramie 3D o rozdzielczości komórkowej

Wprowadzenie Technologia optycznej koherentnej tomografii (OCT) znalazła szerokie zastosowanie w praktyce medycznej, na przykład w okulistyce. Zastosowanie w dermatologii postępuje powoli, aż w ostatnim czasie nastąpiła wyraźna poprawa rozdzielczości. Jedno z nowo zaprojektowanych urządzeń OCT wykorzystywanych w tym badaniu opiera się na badaniach i rozwoju profesora Sheng-Lung Huanga z National Taiwan University. Źródło światła zostało wykonane z oryginalnego włókna krystalicznego pokrytego szkłem, które z powodzeniem zapewnia rozdzielczość submikronową na skórze, która jest lepsza niż tradycyjna rozdzielczość 5-10 mikronów wysokiej rozdzielczości OCT. Ten nowy system OCT (system obrazowania ApolloVue™ S100, Viper1-S003, Apollo Medical Optics) był używany w poprzednim badaniu klinicznym „obrazów OCT in vivo różnych chorób skóry” bez zdarzeń niepożądanych. Obrazy OCT różnych chorób skóry zebrane w tej próbie porównano z wycinkami patologicznymi wybarwionymi HE. Dostarczyli przydatnych informacji lekarzom. Ocena ryzyka i korzyści tego badania klinicznego jest taka sama, jak oczekiwano. Ryzyko jest niskie w zastosowaniach klinicznych, zarówno dla operatorów, jak i pacjentów. W ostatnich latach dynamicznie rozwija się zastosowanie technologii sztucznej inteligencji w analizie klasyfikacji tkanek obrazów medycznych. Dlatego zamierzamy wykorzystać technologię głębokiego uczenia się, aby poprawić interpretację obrazów OCT, aby pomóc w późniejszej diagnostyce chorób skóry.

Kryteria przyjęcia

Grupa eksperymentalna:

1. Dorośli w wieku 20 lat lub starsi
2. Nieleczona zmiana naskórkowej choroby zapalnej: zapalenie skóry i łuszczyca: 300 uczestników.
3. Nowotwory łagodne: rogowacenie łojotokowe i znamię: 300 uczestników
4. Nowotwory złośliwe: rogowacenie słoneczne (AK), czerniak, rak podstawnokomórkowy (BCC), choroba Bowena, rak płaskonabłonkowy (SCC), pozasutkowa choroba Pageta (EMPD): 100 uczestników
5. Choroby barwnikowe: soczewica słoneczna, melasma i bielactwo: 300 uczestników

Grupa kontrolna:

Zdrową skórę twarzy (miejsce odsłonięte) i wewnętrznej strony przedramienia (miejsce nieeksponowane) z guzów naskórka i chorób barwnikowych z powyższej grupy eksperymentalnej zastosowano jako grupę kontrolną, z wyłączeniem chorób zapalnych naskórka, spodziewano się 700 uczestników w grupie kontrolnej.

Kryteria wyłączenia

Grupa eksperymentalna:

1. Nieletni w wieku poniżej 20 lat
2. Podejrzenie przezskórnej choroby zakaźnej, w tym infekcji, takich jak bakterie, grzyby, wirusy i pasożyty.
3. Wszystkie guzy skóry, które znajdują się w tkance podskórnej
4. Wszystkie zmiany skórne to otwarte rany
5. Wszystkie zmiany skórne znajdują się w miejscu trudnym do zeskanowania
6. Brak chęci współpracy z metodami i procedurami powiązanymi z tym badaniem
7. Wrażliwe populacje, w tym więźniowie, kobiety w ciąży, upośledzeni, upośledzeni umysłowo, chorzy na AIDS i bezdomni

Grupa kontrolna:

1. Nieletni poniżej 20 roku życia.
2. Choroba zapalna naskórka
3. Podejrzenie przezskórnej choroby zakaźnej, w tym infekcji, takich jak bakterie, grzyby, wirusy i pasożyty.
4. Osoby z ogólnoustrojową chorobą skóry.
5. Osoby, które miały historię ciężkich chorób skóry
6. Osoby po zabiegach chirurgicznych/kosmetycznych/mikrokosmetycznych (np. zastrzyki kosmetyczne i/lub laser itp.) na zdrowej skórze twarzy i wewnętrznej strony przedramienia w ciągu ostatnich 3 miesięcy, a lekarz stwierdzi, że operacja wpłynie na wynik obrazów OCT.
7. Brak chęci współpracy z metodami i procedurami powiązanymi z tym badaniem
8. Wrażliwe populacje, w tym więźniowie, kobiety w ciąży, upośledzeni, upośledzeni umysłowo, chorzy na AIDS i bezdomni

Głęboka konwolucyjna sieć neuronowa (DCNN) została wykorzystana do oznaczenia tkanki i uszkodzeń na obrazach OCT. Podczas szkolenia modeli DCNN strategie uczenia transferu będą używane do precyzyjnego dostrajania parametrów z wstępnie wyszkolonych modeli, które zawierają dużą wiedzę o obrazach, takich jak GoogLeNet, zamiast uczenia modeli od podstaw. Ta metoda zachowuje wiedzę o obrazach niskiego poziomu, typową dla obrazów naturalnych i medycznych, oraz znacznie skraca czas szkolenia modelu. Podczas procesu uczenia parametry kilku pierwszych warstw przechowujących w modelu wiedzę o obrazach niskiego rzędu są ustalane, a parametry kolejnych warstw modelu są zmieniane przez algorytm wstecznej propagacji. Na koniec dodawana jest warstwa klasyfikatora liniowego na końcu DCNN w celu określenia typu/rozmiaru symptomów w obrazie wejściowym.