3D 细胞分辨率断层扫描深度学习

简介 光学相干断层扫描 (OCT) 技术已广泛应用于医学实践，例如眼科。 在皮肤科的应用进展缓慢，直到最近分辨率有了显着提高。 本研究中使用的其中一种新设计的 OCT 设备是基于国立台湾大学黄胜龙教授的研究和开发。 光源采用原装玻璃包覆晶体纤维制成，成功在皮肤上提供亚微米分辨率，优于传统高清OCT的5-10微米分辨率。 这种新的OCT系统（ApolloVue™ S100图像系统，Viper1-S003，Apollo Medical Optics）已经在之前的临床试验“不同皮肤病的体内OCT图像”中使用，没有出现不良事件。 将该试验中收集的不同皮肤病的 OCT 图像与 HE 染色的病理切片进行了比较。 他们为医生提供了有用的信息。 该临床试验的风险收益评估与预期相同。 在临床使用中风险很低，对操作者和受试者都是如此。 近年来，人工智能技术在医学图像组织分类分析中的应用发展迅速。 因此，我们准备利用深度学习技术来提高OCT图像的判读能力，以帮助后续皮肤病的诊断。

纳入标准

实验组：

1. 20 岁或以上的成年人
2. 表皮炎性疾病的非治疗性病变：皮炎和牛皮癣：300 名参与者。
3. 良性肿瘤：脂溢性角化病和痣：300 名参与者
4. 恶性肿瘤：光化性角化病 (AK)、黑色素瘤、基底细胞癌 (BCC)、Bowen 病、鳞状细胞癌 (SCC) 和乳房外佩吉特病 (EMPD)：100 名参与者
5. 色素性疾病：日光性雀斑、黄褐斑和白斑：300 名参与者

控制组：

以上述实验组表皮肿瘤及色素性疾病的健康面部（暴露部位）和前臂内侧（未暴露部位）皮肤为对照组，不包括表皮炎症性疾病，对照组预计700人。

排除标准

实验组：

1. 20岁以下的未成年人
2. 疑似经皮传染病，包括细菌、真菌、病毒、寄生虫等感染。
3. 皮下组织中的所有皮肤肿瘤
4. 所有皮损均为开放性伤口
5. 所有皮肤病变都位于难以扫描的位置
6. 不愿配合本研究方法及相关程序
7. 弱势群体，包括囚犯、孕妇、残疾人、智障人士、已知的艾滋病患者和无家可归者

控制组：

1. 20岁以下的未成年人。
2. 表皮炎性疾病
3. 疑似经皮传染病，包括细菌、真菌、病毒、寄生虫等感染。
4. 患有全身性皮肤病的人。
5. 有严重皮肤病史的人
6. 接受手术/整容​​手术/微整容手术（例如 在过去 3 个月内在面部和前臂内侧的健康皮肤上进行过美容注射和/或激光等），并且医生确定手术会影响 OCT 图像的结果。
7. 不愿配合本研究方法及相关程序
8. 弱势群体，包括囚犯、孕妇、残疾人、智障人士、已知的艾滋病患者和无家可归者

深度卷积神经网络 (DCNN) 用于标记 OCT 图像中的组织和病变。 在训练 DCNN 模型时，将使用迁移学习策略从包含大量图像知识的预训练模型（例如 GoogLeNet）中微调参数，而不是从头开始训练模型。 该方法保留了自然图像和医学图像共有的低级图像知识，显着减少了训练模型的时间。 在训练过程中，模型中存储低阶图像知识的前几层参数是固定的，模型后面几层的参数通过反向传播算法改变。 最后，在 DCNN 的末尾添加一层线性分类器，以确定输入图像中症状的类型/大小。