基于皮肤镜和HFUS成像的AK阶段的自动评估-一项初步研究

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 行为性角质 (AK) 常见于阳光照射的皮肤上的Fitzpatrick皮肤类型I-II的老年人.
• 皮肤显微镜和超声波是可疑皮肤病变的宝贵的非侵入性诊断工具.
• 精确的AK分期对于预测疾病进展至关重要.

研究的目的:

• 评估图像处理算法的实用性,以确定行为性角质瘤 (AK) 的阶段.
• 评估皮肤镜和超声波成像在AK分类中的联合有效性.
• 研究机器学习在医学图像分析中的作用,用于皮肤病学应用.

主要方法:

• 开发了一种集成自动超声波细分 (CFPNet-M) 和特征提取的算法.
• 使用手工制作和卷积神经网络特征分析皮肤镜像.
• 员工支持矢量机器分类,结合皮肤镜和超声波数据.
• 在公共数据集上训练有素的网络模型和评估个体模式的影响.

主要成果:

• 使用神经网络模型进行皮肤镜分析,达到81%的准确性.
• 皮肤镜和超声波分析的组合产生了79%的准确性.
• 机器学习模型显示了对AK病变的分类和分期的潜力.

结论:

• 基于机器学习的皮肤镜像和超声波图像的分析可以帮助AK分期.
• 这种方法可以帮助临床医生预测行为性角质炎进展的风险.
• 建议使用更大的数据集进行进一步的研究,以提高分类准确性.