皮肤病变的深度估计和可视化:开发和可用性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 皮肤病学 皮肤病学

背景情况:

• 准确的皮肤损伤深度估计对于临床分期至关重要,但目前的方法往往是近似的.
• 需要使用2D图像进行深度估计的非侵入性技术,特别是对于快速生长的恶性病变.

研究的目的:

• 提出一种新的方法来估计皮肤病变深度和使用人工智能和3D全息图的可视化.
• 为了生成3D可视化,帮助皮肤科医生诊断黑色素瘤和其他皮肤疾病.
• 为皮肤病变提供明确的估计和可视化程序,超出目前的近似方法.

主要方法:

• 卷积神经网络 (CNN) 用于病变分类,加上可解释的AI (梯度类激活映射) 用于特征本地化.
• 计算机图形和深度从失焦方法用于单个图像的3D结构和深度估计.
• 红点分析用于测量感染程度,加博波器用于体积深度图表表示,最终生成形全息图.

主要成果:

• 结合CNN和可解释的人工智能模型,在将病变分类为良性或恶性时,获得了86%的准确性.
• 良性和恶性病例成功地被映射到不同的形表示,恶性病变显示更深层结构.
• 皮肤科医生提供了积极的反,认识到3D全息图可视化对损伤深度估计的潜在临床实用性.

结论:

• 与良性病变相比,恶性病变呈现出更高的红斑度和更深的形截面,与CNN分类相关.
• 3D全息图的定性评估与初始基于人工智能的分类一致,验证了该方法的准确性.
• 皮肤科医生的积极接待表明该方法的潜力作为一种有价值的临床工具,用于进行非侵入性损伤深度评估.