通过深度学习和多光谱光声成像,推进非侵入性黑色素瘤诊断

科学领域:

• 医学成像医学成像
• 计算病理学计算病理学
• 皮肤病学 皮肤病学

背景情况:

• 黑色素瘤的发病率正在增加,需要改进诊断和手术方法.
• 当前标准的护理,切除活检与组织病理学,依赖于视觉评估,并可能导致不完全的瘤切除或过度的组织切除.
• 精确地划出黑色素瘤边界是具有挑战性的,因为在视觉检查染色组织的局限性.

研究的目的:

• 开发和验证一个自动化黑色素瘤边界划分的计算框架,使用多光谱光声成像数据.
• 加强手术前和手术后的指导,以完全去除黑色素瘤瘤.
• 通过提高瘤边缘评估的准确性,减少对多次手术切口的需要.

主要方法:

• 计算框架应用于从人类黑色素瘤的多谱光声学 (PA) 成像数据.
• 使用K-means集群来进行不偏见的训练数据选择.
• 使用一维卷积神经网络 (CNN) 进行光谱分析和像素分类 (健康与疾病).
• 实施一个活跃的轮算法用于3D黑色素瘤划分.

主要成果:

• 从多谱PA成像数据成功地自动确定黑色素瘤瘤边界,无需人类干预.
• 根据光谱特征,证明框架能够将黑色素瘤与健康组织区分开来.
• 对于精确的瘤边缘3D划线的潜力.

结论:

• 开发的计算框架为表征组织分子组成提供了一个有希望的非侵入性方法.
• 黑色素瘤边界的自动划分可以显著帮助外科医生实现完全的瘤切除.
• 这种方法有可能通过改善外科手术结果和尽量减少患者的发病率来彻底改变临床实践.