集成深度学习方法用于生成交叉偏振图像和分析皮肤黑色素和血红蛋白分布
Geunho Jung1, Jongha Lee1, Semin Kim1
1AI R&D center, lululab Inc., Seoul, 06054 Republic of Korea.
Biomedical engineering letters
|October 28, 2024
概括
这项研究提出了一种创新方法,用于生成交叉极化皮肤图像并分析黑色素和血红蛋白. 这种方法绕过了广泛的地面真相数据的需求,为皮肤颜色分析提供了更简单的替代方案.
科学领域:
- 皮肤病学和医学成像学
- 计算成像技术的成像
- 生物医学光学 生物医学光学
背景情况:
- 交叉极化成像增强了皮肤颜料如黑色素和血红蛋白的可视化.
- 目前的方法需要庞大的设备和劳动密集型的基准准备,用于颜料分析模型.
研究的目的:
- 开发一种综合方法,用于生成交叉偏振图像和皮肤颜色图 (黑色素,血红素) 没有地面真相数据.
- 为了比较生成对抗网络 (GANs) 的交叉极化图像合成.
- 为了评估训练有素的皮肤分析模块,理论上重建了基本事实.
主要方法:
- 一种由两个组件组成的方法:一个交叉极化图像生成模块和一个皮肤分析模块.
- 用于图像生成的CycleGAN,pix2pix和pix2pixHD的比较.
- 训练回归分析网络,使用基于色素光学性质的理论重建的基本真相.
- 使用VISIA VAESTRO临床系统进行评估.
主要成果:
- 交叉偏振图像生成模块实现了 35.514 dB 的峰值信号噪声比.
- 皮肤分析模块显示高相关系数:0.942的血红蛋白和0.922的黑色素.
- 综合方法实现了0.923的血红蛋白和0.897的黑色素的相关系数.
结论:
- 拟议的综合方法为皮肤色素分析提供了一个有希望的,简化的替代方案.
- 它消除了对专用光学仪器和广泛的地面真相准备的需求.
- 该方法证明了与专业成像系统的合理相关性.
