基于深度学习的激光烧伤皮肤光学连贯性断层扫描 (OCT) 图像的细分和定量分析

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 皮肤病学 皮肤病学

背景情况:

• 评估烧伤后的皮肤恢复至关重要,但传统方法缺乏定量损伤体积测量.
• 光学连贯断层扫描 (OCT) 为皮肤分析提供了一个非侵入性,实时成像解决方案.
• 深度学习模型可以增强OCT图像的分析,以便精确地评估组织.

研究的目的:

• 开发和验证使用Swept Source OCT的深度学习方法来量化动态皮肤烧伤恢复.
• 使用OCT成像准确地细分皮肤层和受损的烧伤区域.
• 为客观的烧伤评估重建3D损伤组织体积.

主要方法:

• 建立了一个激光诱导的小鼠皮肤热损伤模型.
• 在14天内获取正常和烧伤皮肤的OCT图像.
• 利用U-Net深度学习模型对皮肤层和烧伤区域进行细分,与PSPNet和HRNet进行验证.
• 采用3D重建来计算受损组织的体积.

主要成果:

• 该U-Net模型实现了正常皮肤层 (IoU 0.876,F-score 0.951) 和烧伤区域 (IoU 0.907,F-score 0.951) 的高细分精度.
• 使用OCT进行深度学习细分证明比手动标签更快,更准确,用于皮肤分层.
• 成功地对受损组织体积进行了定量分析.

结论:

• 与U-Net深度学习相结合的OCT可以快速,准确地分析烧伤引起的组织变化.
• 这种综合方法为治疗烧伤和恢复监测的临床指导提供了显著的潜力.
• 该方法允许精确,非侵入性量化随时间推移的烧伤体积.