基于深度学习的皮肤层细分,用于从光学一致性断层图像中表征皮肤伤口

科学领域:

• 生物医学成像技术 生物医学成像技术
• 皮肤病学 皮肤病学
• 伤口治愈研究研究 伤口治愈研究

背景情况:

• 目前的伤口护理依赖于表面水平的视觉评估,忽视了关键的地下信息.
• 地下数据对于准确的伤口愈合进展监测和严重程度评估至关重要.
• 光学连贯断层扫描 (OCT) 提供了一种非侵入性方法来捕获这些地下数据.

研究的目的:

• 证明OCT在客观,非侵入性评估伤口严重程度和愈合进展方面的有效性.
• 使用OCT量化伤口愈合动态,包括上皮和再生组织厚度.
• 开发用于创伤愈合研究中OCT数据集的自动化分析方法.

主要方法:

• 利用光学一致性断层扫描 (OCT) 进行小动物伤口模型的体内成像.
• 采用了基于U-Net的模型,用于在OCT图像中自动细分皮肤层.
• 通过测量上皮质和再生组织厚度来量化伤口闭合动态.
• 与黄金标准组织学和专家病理学家输入相比,经过验证的OCT发现.

主要成果:

• 在使用U-Net模型进行皮肤层细分时,实现了0.9234的欧盟平均交叉点 (IOU).
• 证明了OCT在体内客观评估伤口愈合进展的能力.
• 经过组织学和病理学家评估的经过验证的OCT结果,证实了准确性.

结论:

• 海外国与地区是对伤口愈合进展进行非侵入性,客观监测的有效工具.
• 使用像U-Net这样的模型进行自动化OCT分析,可以准确量化伤口愈合动态.
• 这种方法通过提供关键的地下洞察力来增强伤口护理,而不会破坏愈合过程.