一种自动化的体外伤口愈合显微镜图像分析方法,利用基于U-net的深度学习方法
Dilan Doğru1, Gizem D Özdemir1,2, Mehmet A Özdemir3,4
1Department of Biomedical Engineering, Graduate School of Natural and Applied Sciences, Izmir Katip Celebi University, Izmir, Turkey.
BMC medical imaging
|June 24, 2024
概括
使用U-net深度学习模型对体外伤口愈合图像的自动分析显著提高了准确性和速度. 这些先进的卷积神经网络 (CNN) 方法优于传统的伤口区分和治疗疗效评估方法.
科学领域:
- 计算生物学是一种计算生物学.
- 医学成像分析分析 医学成像分析
- 机器学习在药物发现中的作用
背景情况:
- 对体外伤口愈合图像的准确评估对于评估治疗疗效至关重要.
- 目前的手动和半自动化方法依赖于用户,耗时,缺乏灵敏度.
- 需要自动化分析方法来克服这些局限性.
研究的目的:
- 开发和评估基于U-net的卷积神经网络 (CNN) 模型,用于自动分割体外伤口愈合图像.
- 将这些深度学习模型的性能与 ImageJ 和 TScratch 等传统工具进行比较.
- 建立一种更灵敏,更有效的方法来计算伤口面积和评估治疗疗效.
主要方法:
- 实现了三种U-net架构变体 (U-net,U-net++,注意U-net) 使用CNN进行图像分割.
- 应用了一种新的增强方法,在预处理过程中增强边缘分析.
- 利用两个独立的数据集进行模型训练和验证.
- 从预测的面具计算伤口面积,并将结果与ImageJ和TScratch进行比较.
主要成果:
- 基于U-net的模型实现了高细分精度,平均子相似系数 (DSC) 得分为0.958-0.968.
- 与ImageJ (22.59%) 和TScratch (33.88%) 相比,开发的模型显示出明显较低的百分比错误 (3.70-6.41%).
- 深度学习模型在分析时间和细分灵敏度方面提供了实质性的改进.
结论:
- 开发的基于U-net的模型在体外伤口愈合图像分析的速度和准确性方面明显优于传统方法.
- 这些模型显示出在各种实验条件下可靠的体外伤口区域预测的巨大潜力.
- 自动化方法为药物发现和治疗评估提供了强大的解决方案.
