Глубокое обучение на трехмерной томограмме с сотовым разрешением

Введение Технология оптической когерентной томографии (ОКТ) нашла широкое применение в медицинской практике, например в офтальмологии. Применение в дерматологии медленно прогрессирует до заметного улучшения разрешения в последнее время. Одно из недавно разработанных устройств ОКТ, используемых в этом исследовании, основано на исследованиях и разработках профессора Шэн-Лунг Хуана из Национального Тайваньского университета. Источник света был изготовлен из оригинального кристаллического волокна со стеклянным покрытием, которое успешно обеспечивает субмикронное разрешение на коже, что лучше, чем традиционное разрешение 5-10 микрон ОКТ высокого разрешения. Эта новая система ОКТ (система визуализации ApolloVue™ S100, Viper1-S003, Apollo Medical Optics) использовалась в этом предыдущем клиническом испытании «изображения ОКТ различных кожных заболеваний in vivo» без побочных эффектов. ОКТ-изображения различных кожных заболеваний, собранные в этом исследовании, сравнивали с патологическими срезами, окрашенными HE. Они предоставили полезную информацию врачам. Оценка риска и пользы этого клинического испытания такая же, как и ожидалось. Риск при клиническом использовании низок как для операторов, так и для субъектов. В последние годы стремительно развивается применение технологий искусственного интеллекта при анализе классификации тканей медицинских изображений. Поэтому мы собираемся использовать технологию глубокого обучения для улучшения интерпретации изображений ОКТ, чтобы помочь в последующей диагностике кожных заболеваний.

Критерии включения

Экспериментальная группа:

1. Взрослые в возрасте 20 лет и старше
2. Нелеченое поражение эпидермального воспалительного заболевания: дерматит и псориаз: 300 участников.
3. Доброкачественные опухоли: себорейный кератоз и невус: 300 участников
4. Злокачественные опухоли: актинический кератоз (АК), меланома, базально-клеточная карцинома (БКР), болезнь Боуэна, плоскоклеточная карцинома (SCC) и экстрамаммарная болезнь Педжета (EMPD): 100 участников
5. Пигментные заболевания: солнечное лентиго, меланодермия и витилиго: 300 участников

Контрольная группа:

В качестве контрольной группы использовали здоровую кожу лица (обнаженный участок) и внутренней поверхности предплечья (необлученный участок) с эпидермальными опухолями и пигментными заболеваниями вышеуказанной экспериментальной группы, исключая эпидермальные воспалительные заболевания, в контрольной группе ожидалось 700 участников.

Критерий исключения

Экспериментальная группа:

1. Несовершеннолетние в возрасте до 20 лет
2. Подозрение на чрескожное инфекционное заболевание, включая такие инфекции, как бактерии, грибки, вирусы и паразиты.
3. Все опухоли кожи, находящиеся в подкожной клетчатке
4. Все повреждения кожи являются открытыми ранами.
5. Все поражения кожи находятся в месте, которое трудно сканировать.
6. Нежелание сотрудничать с методами и соответствующими процедурами этого исследования
7. Уязвимые группы населения, включая заключенных, беременных женщин, инвалидов, умственно отсталых, известных больных СПИДом и бездомных.

Контрольная группа:

1. Несовершеннолетние до 20 лет.
2. Эпидермальное воспалительное заболевание
3. Подозрение на чрескожное инфекционное заболевание, включая такие инфекции, как бактерии, грибки, вирусы и паразиты.
4. Людям с системными кожными заболеваниями.
5. Лица, имеющие в анамнезе тяжелые кожные заболевания
6. Лица с хирургическими/косметическими операциями/микрокосметическими операциями (например. косметические инъекции и/или лазер и т. д.) на здоровой коже лица и внутренней поверхности предплечья за последние 3 месяца, и врач определит, что операция повлияет на результаты ОКТ-изображений.
7. Нежелание сотрудничать с методами и соответствующими процедурами этого исследования
8. Уязвимые группы населения, включая заключенных, беременных женщин, инвалидов, умственно отсталых, известных больных СПИДом и бездомных.

Глубокая сверточная нейронная сеть (DCNN) использовалась для маркировки тканей и поражений на изображениях ОКТ. При обучении моделей DCNN будут использоваться стратегии переноса обучения для точной настройки параметров из предварительно обученных моделей, которые содержат много информации об изображениях, таких как GoogLeNet, а не для обучения моделей с нуля. Этот метод сохраняет низкоуровневые знания изображений, общие для естественных и медицинских изображений, и значительно сокращает время обучения модели. В процессе обучения параметры первых нескольких слоев, которые хранят знания об изображении младших разрядов в модели, фиксируются, а параметры последующих слоев модели изменяются алгоритмом обратного распространения. Наконец, в конец DCNN добавляется слой линейного классификатора для определения типа/размера симптомов во входном изображении.