从使用深度神经网络的光学连贯断层图像中对3D癌症器官进行细分和多时间点跟踪
Francesco Branciforti1, Massimo Salvi1, Filippo D'Agostino1
1Biolab, PolitoBIOMed Lab, Department of Electronics and Telecommunications, Politecnico di Torino, Corso Duca degli Abruzzi 24, 10129 Turin, Italy.
Diagnostics (Basel, Switzerland)
|June 27, 2024
概括
这项研究引入了一个自动化的深度学习管道,用于使用光学连贯断层扫描 (OCT) 成像来跟踪器官生长. 该方法精确地监测了13天的器官发育和形态变化,进步了体外建模.
科学领域:
- 生物医学工程 生物医学工程
- 生物技术是生物技术.
- 医疗成像医学成像
背景情况:
- 器官体是来自干细胞或瘤细胞的先进3D体外模型.
- 对有机体生长的定量监测至关重要,但具有挑战性.
- 光学连贯断层扫描 (OCT) 为有机体分析提供无标签的高分辨率3D成像.
研究的目的:
- 开发一个自动化的深度学习管道,用于在OCT图像中准确识别和定量器官.
- 为了使有机体生长和形态变化的长期跟踪和分析.
- 为药物查和瘤药物敏感性检测使用有机体提供基础.
主要方法:
- 一个使用卷积神经网络 (CNN) 的深度学习管道.
- 优化了用于图像分析的预处理和临时后处理步骤.
- 一种包含参考体积,双分支分析和概率评分的跟踪算法.
主要成果:
- 在13天内表现出良好的通用性和跟踪能力.
- 能够准确跟踪有机体生长和形态演变.
- 该管道有效地识别和量化了OCT图像中的有机物.
结论:
- 拟议的深度学习管道显著推进了使用OCT的有机体分析.
- 这种方法提供了一种可靠的方法来监测随着时间的推移有机体的发展.
- 它为未来在药物查和个性化医疗中的应用奠定了基础.
