分析深紫外线光图像用于术内乳腺瘤边缘评估
Tongtong Lu1, Julie M Jorns2, Dong Hye Ye3
1Joint Department of Biomedical Engineering, Marquette University and Medical College of Wisconsin, Milwaukee, WI 53233 & 53226, USA.
概括
使用紫外线表面激发 (MUSE) 显微镜与机器学习相结合,可以在手术期间准确评估乳腺癌边缘. 这项技术有助于实现负利,减少重复手术和改善患者的治疗结果.
科学领域:
- 手术瘤学手术瘤学
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 乳腺保护手术 (BCS) 后的积极边际增加了局部复发风险.
- 术内利评估的目的是防止重新切割,减少并发症和成本.
- 目前的保证金评估方法可能耗时且主观.
研究的目的:
- 开发和验证一个自动机器学习模型用于使用MUSE成像进行手术内边缘评估.
- 评估基于MUSE的系统在区分瘤与正常乳腺组织方面的准确性.
- 评估MUSE和机器学习在BCS期间实时手术指导的潜力.
主要方法:
- 采用定制的超紫外表面刺激 (MUSE) 显微镜系统,对66个新鲜的人类乳房样本进行了成像.
- 用酸和欧Y进行局部染色,以增强成像效果.
- 开发了一种机器学习模型,使用纹理分析和卷积神经网络 (CNN) 来对二进制瘤与正常分类.
主要成果:
- MUSE系统提供了具有亚细胞分辨率和鲜明对比度的快速成像.
- 机器学习模型在瘤检测方面实现了超过90%的灵敏度,特异性和准确性.
- 纹理分析和CNN特征在描述组织样本进行分类时有效.
结论:
- 与机器学习相结合的MUSE成像为客观的,自动化的手术内利评估提供了一个有前途的方法.
- 这项技术有可能通过确保负利来显著改善乳房保护手术的外科结果.
- 进一步验证和整合到外科手术工作流程中可以降低再切割率和相关的患者负担.
