使用神经网络与U-Net架构对人类皮肤的3D OCT图像进行细分
V A Shishkova1, N V Gromov2, A M Mironycheva3
1Junior Researcher; A.V. Gaponov-Grekhov Institute of Applied Physics of the Russian Academy of Sciences, 46 Ulyanov St., Nizhny Novgorod, 603950.
Sovremennye tekhnologii v meditsine
|March 12, 2025
概括
这项研究比较了U-Net神经网络在OCT图像上对人类皮肤进行细分,发现2D和3D训练方法在皮肤病学诊断应用中具有高准确性.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 皮肤病学 皮肤病学
背景情况:
- 光学连贯断层扫描 (OCT) 提供人体皮肤的高分辨率横截面图像.
- 在OCT图像中的皮肤层的准确细分对于定量分析和诊断至关重要.
- 基于U-Net的神经网络在医疗图像细分任务中表现有前途.
研究的目的:
- 对U-Net神经网络架构在3D OCT图像中对人体皮肤进行细分的性能进行比较分析.
- 评估训练数据维度 (2D与3D) 对细分精度的影响.
- 评估这些网络在估计皮肤层厚度方面的潜力.
主要方法:
- 开发了两个基于U-Net的网络架构,用于3D OCT皮肤图像细分.
- 网络使用2D或3D块从人体皮肤的3D OCT图像中获得训练.
- 在独立测试数据集上使用Sørensen-Dice系数来评估细分质量.
- 测量了皮肤层厚度,并比较了两种训练方法.
主要成果:
- 两种2D和3D训练的U-Net模型都实现了皮肤层的高细分精度 (Sørensen-Dice系数从0.87到0.99不等).
- 在2D和3D训练之间观察到精度略有差异,2D训练对某些层次的得分略高.
- 测量到的皮肤层厚度在两种训练方法之间是可比的,表明强度.
结论:
- 基于U-Net的神经网络有效地在OCT图像中对人类皮肤层进行细分,准确度高.
- 两种2D和3D训练数据方法都是可行的,为皮肤病学和美容学的诊断应用提供了有希望的结果.
- 这些网络可以为临床使用提供有价值的定量数据,例如皮肤层厚度.
