基于深度学习和第二波生成成像技术的卵巢癌识别技术
Bingzi Kang1, Siyu Chen2, Guangxing Wang1
1School of Science, Jimei University, Xiamen, China.
Journal of biophotonics
|July 2, 2024
概括
这项研究引入了一种快速,无标签的卵巢癌诊断方法,使用第二子 (SHG) 成像和深度学习. 该技术准确地从高精度的原纤维分析中识别出癌症卵巢组织.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 卵巢癌是全球女性癌症死亡的主要原因之一.
- 目前用于卵巢癌查的活检方法耗时,需要专家解释.
- 需要快速,准确和客观的卵巢癌诊断工具.
研究的目的:
- 开发一种简单,快速,无标签的卵巢癌诊断方法.
- 评估第二波生成 (SHG) 图像学与深度学习结合用于表征卵巢组织的疗效.
- 使用SHG成像和AI准确区分良性,正常和恶性卵巢组织.
主要方法:
- 使用第二波生成 (SHG) 成像来捕捉未染色的新鲜人类卵巢组织.
- 采用金字塔视觉转换器V2 (PVTv2) 深度学习模型进行图像分析和分类.
- 通过分析SHG图像中的原纤维结构来量化卵巢癌.
主要成果:
- SHG成像有效地可视化了原纤维,使得可以量化卵巢癌.
- 该PVTv2模型在将3240张SHG图像分为良性,正常和恶性类别时达到98.4%的准确性.
- 证明了SHG成像和深度学习在客观卵巢组织诊断方面的潜力.
结论:
- 第二波成像 (SHG) 提供了一种无标签的方法来可视化与卵巢癌相关的组织形态.
- 深度学习模型,特别是PVTv2,可以准确地解释SHG图像,以快速客观地诊断卵巢癌.
- 这种综合方法显着有望提高在手术期间卵巢癌查的效率和准确性.
