VP-net:一个端到端的深度学习网络,用于在人体皮肤in vivo中预测弹性波速,使用光学连贯弹性学
Yilong Zhang1, Jinpeng Liao2, Zhengshuyi Feng2
1Centre of Medical Engineering and Technology, University of Dundee, Dundee, United Kingdom.
Frontiers in bioengineering and biotechnology
|October 29, 2024
概括
一个新的深度学习模型,VP-Net,从光学连贯弹性学数据准确预测皮肤的生物力学特性. 这加快了对诸如一般性和皮肤衰老等疾病的分析.
科学领域:
- 生物医学光学 生物医学光学
- 机器学习 机器学习
- 皮肤病学 皮肤病学
背景情况:
- 一般性会影响到许多青少年,缺乏一个普遍的评估系统.
- 皮肤的生物机械特性对于评估皮肤状况至关重要.
- 光学连贯弹性图 (OCE) 通过弹性波速评估组织生物力学,但估计是复杂和缓慢的.
研究的目的:
- 从OCE数据开发一个深度学习模型来快速准确地预测弹性波速.
- 为了能够有效地评估人体皮肤生物力学 in vivo.
主要方法:
- 开发了一个新的端到端深度学习模型VP-Net.
- VP-Net在广泛的数据集上进行了培训和验证,包括幽灵,健康的皮肤和病变.
- 来自OCE的原始相片被用作速度预测的输入.
主要成果:
- 在预测弹性波速方面,VP-Net实现了高精度.
- 该模型显示了显著更快的处理 (每片1.32毫秒),比传统方法改进了100倍.
- VP-Net准确地预测了幽灵和各种人体皮肤类型的速度,包括受影响的区域.
结论:
- 使用OCE数据,VP-Net能够快速准确地预测皮肤的生物力学特性.
- 这项技术在皮肤衰老的表征和的评估和治疗管理方面具有潜在的临床应用.
