Deep Learning på Tomogram med 3D-cellupplösning

Inledning Teknik för optisk koherent tomografi (OCT) har använts i stor utsträckning inom medicinsk praxis, såsom oftalmologi. Applikationen inom dermatologi fortskrider långsamt tills den markanta förbättringen av upplösning nyligen. En av de nydesignade OCT-enheterna som används i denna studie är baserad på forskning och utveckling av professor Sheng-Lung Huang vid National Taiwan University. Ljuskällan gjordes med original glastäckt kristallin fiber som framgångsrikt har gett submikronupplösning på huden, vilket är bättre än den traditionella 5-10 mikronupplösningen för högupplöst OCT. Detta nya OCT-system (ApolloVue™ S100 bildsystem, Viper1-S003, Apollo Medical Optics) har använts i denna tidigare kliniska prövning "in vivo OCT-bilder av olika hudsjukdomar" utan biverkningar. OCT-bilder av olika hudsjukdomar som samlades in i det försöket jämfördes med HE-färgade patologiska snitt. De gav användbar information till läkare. Risk-nyttabedömningen av denna kliniska prövning är densamma som förväntat. Risken är låg vid klinisk användning, och både för operatörerna och försökspersonerna. Under de senaste åren har tillämpningen av artificiell intelligensteknik vid analys av vävnadsklassificering av medicinska bilder utvecklats snabbt. Därför kommer vi att använda djupinlärningsteknologi för att förbättra tolkningen av OCT-bilder för att hjälpa den efterföljande diagnosen av hudsjukdomar.

Inklusionskriterier

Experimentgrupp:

1. Vuxna som är 20 år eller äldre
2. Icke-behandla lesion av epidermal inflammatorisk sjukdom: dermatit och psoriasis: 300 deltagare.
3. Benigna tumörer: seborroisk keratos och nevus: 300 deltagare
4. Maligna tumörer: aktinisk keratos (AK), melanom, basalcellscancer (BCC), Bowens sjukdom, skivepitelcancer (SCC) och extramammär Pagets sjukdom (EMPD): 100 deltagare
5. Pigmenterade sjukdomar: sol lentigo, melasma och vitiligo: 300 deltagare

Kontrollgrupp:

Det friska ansiktet (exponerat ställe) och inre underarm (oexponerat ställe) huden av epidermala tumörer och pigmenterade sjukdomar i ovanstående experimentgrupp användes som kontrollgrupp, exklusive epidermala inflammatoriska sjukdomar, 700 deltagare i kontrollgruppen förväntades.

Exklusions kriterier

Experimentgrupp:

1. Minderåriga under 20 år
2. Misstänkte en transkutan infektionssjukdom, inklusive infektioner som bakterier, svampar, virus och parasiter.
3. Alla hudtumörer som finns i subkutan vävnad
4. Alla hudskador är öppna sår
5. Alla hudskador finns på en plats som är svår att skanna
6. Inte villig att samarbeta med metoder och relaterade procedurer i denna studie
7. Utsatta befolkningsgrupper, inklusive fångar, gravida kvinnor, handikappade, mentalt funktionshindrade, kända AIDS-patienter och hemlöshet

Kontrollgrupp:

1. Minderåriga under 20 år.
2. Epidermal inflammatorisk sjukdom
3. Misstänkte en transkutan infektionssjukdom, inklusive infektioner som bakterier, svampar, virus och parasiter.
4. Individer som har en systemisk hudsjukdom.
5. Individer som har en historia av allvarlig hudsjukdom
6. Individer med operationer/kosmetiska operationer/mikrokosmetiska operationer (t.ex. kosmetiska injektioner och/eller laser etc.) på frisk hud i ansiktet och inre underarmen under de senaste 3 månaderna och en läkare avgör att operationen kommer att påverka resultatet av OCT-bilderna.
7. Inte villig att samarbeta med metoder och relaterade procedurer i denna studie
8. Utsatta befolkningsgrupper, inklusive fångar, gravida kvinnor, handikappade, mentalt funktionshindrade, kända AIDS-patienter och hemlöshet

Deep convolutional neural network (DCNN) användes för att markera vävnad och lesioner i OCT-bilder. När du tränar DCNN-modeller kommer överföringsinlärningsstrategier att användas för att finjustera parametrarna från förtränade modeller som innehåller mycket bildkunskap, såsom GoogLeNet, snarare än att träna modellerna från grunden. Denna metod behåller den lågnivåbildkunskap som är vanlig för naturliga och medicinska bilder, och minskar avsevärt tiden för att träna modellen. Under träningsprocessen fixeras parametrarna för de första lagren som lagrar kunskapen om låg ordningsbild i modellen, och parametrarna för de efterföljande lagren i modellen ändras av algoritmen för återförökning. Slutligen läggs ett lager av linjär klassificerare till i slutet av DCNN för att bestämma typen/storleken på symptomen i inmatningsbilden.