基于特征的与深度学习的融合方法用于在实体中检测辐射皮肤炎,使用光学一致性断层扫描,这是一个可行性研究
Christos Photiou1, Constantina Cloconi2, Iosif Strouthos2
1Department of Electrical and Computer Engineering, KIOS Research and Innovation Center of Excellence, University of Cyprus, Nicosia, Cyprus. photiou.christos@ucy.ac.cy.
Journal of imaging informatics in medicine
|September 4, 2024
概括
这项研究表明,深度学习有效地使用光学连贯断层扫描 (OCT) 图像检测辐射皮肤炎. 这为早期的定量评估和改善患者护理提供了有前途的工具.
科学领域:
- 在瘤学瘤学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 急性辐射皮肤炎 (ARD) 是放射治疗的常见副作用,导致患者严重的痛苦和发病率.
- 目前对ARD的管理策略有限,缺乏早期定量评估生物标志物.
- 改善检测和管理ARD的方法对于提高癌症患者护理至关重要.
研究的目的:
- 调查光学连贯断层扫描 (OCT) 图像功能和机器学习用于检测ARD的使用.
- 为了比较传统的机器学习与ARD分类的深度学习方法.
- 为ARD管理建立一个定量评估工具的基础.
主要方法:
- 在放射治疗期间,每周两次从22名患者的6个部部位收集OCT图像.
- 利用了基于强度和新的OCT图像特征.
- 将传统的基于特征的机器学习模型与深度学习后期融合模型进行比较,以对正常皮肤与ARD进行分类.
- 根据专家瘤学家的评估,分级ARD严重程度.
主要成果:
- 分析了1487张图像的数据集.
- 与传统的机器学习相比,深度学习方法在分类ARD方面取得了88%的更高准确性.
- 该研究表明了OCT和机器学习在ARD检测方面的潜力.
结论:
- 深度学习模型显示,使用OCT成像对ARD的定量评估具有显著的前景.
- 这些发现支持开发先进的工具,以改善ARD管理和患者的结果.
- 进一步的研究可以建立在此基础上,以创建可靠的辐射皮肤炎临床评估工具.
