通过计算机视觉和深度学习,高效地控制富血小板血制剂的质量
WangXiang Mai1, WeiYi He2, Rongchi Mo3
1The First Affiliated Hospital of Jinan University, Department of Rehabilitation, Guangzhou, China.
Journal of biomedical optics
|August 6, 2025
概括
一个新的深度学习模型使用计算机视觉进行富血小板血 (PRP) 的自动质量控制,提高再生医学制备的效率和准确性.
科学领域:
- 再生医学是一种再生医学.
- 生物技术是生物技术.
- 医疗成像医学成像
背景情况:
- 富血小板血 (PRP) 在再生医学中对组织修复和炎症控制至关重要.
- 确保一致的PRP制备质量对于治疗成功至关重要.
- 目前用于PRP的质量控制 (QC) 方法是低效的,耗时的和可变的.
研究的目的:
- 开发一种基于计算机视觉的自动化质量控制 (QC) 模型,用于富血小板血 (PRP) 制备.
- 通过使用深度学习技术,提高PRP QC的效率和准确性.
- 为实时评估PRP质量提供可靠的方法.
主要方法:
- 一个深度学习模型,特别是一个带有二进制分类器的ResNet18卷积神经网络,是为PRP QC开发的.
- 血液样本被处理以准备PRP,并捕获图像进行分析.
- 该模型使用患者数据进行训练和验证,在未见的数据集上评估性能.
主要成果:
- 自动化的PRP QC模型在独立的,看不见的数据集上实现了82.5%的平均分类准确性.
- 该模型显著减少了PRP质量控制所需的时间,将其减少到不到一分钟.
- 这表明,与传统的质量控制方法相比,效率大大提高了.
结论:
- 通过使用计算机视觉和深度学习,成功开发了用于PRP准备的非破坏性实时质量控制方法.
- 这种自动化方法为改善PRP准备提供了一种实用且可扩展的解决方案.
- 这些发现有可能通过更可靠的PRP疗法来提高再生医学的临床结果.
