通过机器学习和光学连贯性断层扫描在2型糖尿病中对3D伤口形态的自动量化量化

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 伤口治愈研究研究 伤口治愈研究

背景情况:

• 每年有数以百万计的人遭受伤害,这种伤害因2型糖尿病和人口老龄化而加剧.
• 伤口愈合障碍与11β-hydroxysteroid脱酶1型 (11β-HSD1) 的葡萄糖皮质体激活有关.
• 之前的研究表明,AZD4017 (一种11β-HSD1抑制剂) 通过手动2D OCT改善了急性伤口愈合,但这种方法是主观的和劳动密集的.

研究的目的:

• 开发一种自动化的3D OCT方法,用于快速识别和量化伤口形态.
• 为了实现伤口愈合过程的客观,高通量分析.

主要方法:

• 训练了一个u-net深度学习模型,将3D OCT扫描细分为四个关键的伤口形态:早期颗粒组织,晚期颗粒组织,新表皮和血栓.
• 该模型分析了 204 个来自穿孔活检的 3D OCT 扫描 (24,480 个 2D ).
• 自动细分用于比较伤口后的第2天和第7天的组织面积和体积,比较AZD4017治疗与安慰剂.

主要成果:

• 自动化OCT成功区分和量化伤口组织形态,跟踪它们在愈合过程中的体积变化.
• 自动化方法的结果与手动OCT测量结果相关联.
• 治疗AZD4017的趋势是新表皮体积增加,这与通过手动OCT观察到的改善的再表皮化相一致.

结论:

• 机器学习与OCT相结合,提供了一种自动化,非侵入性,实时的方法来量化伤口愈合.
• 这种方法代表了伤口愈合研究的重大进步,特别是对于慢性伤口.
• 开发的方法是灵敏的,可重复的,适合未来的临床应用.