深度学习支持的光成像用于在临床前模型中对口腔癌边缘分类

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 口腔癌手术需要精确的边缘划分,以实现完整的瘤切除和保存功能.
• 目前的光光学成像与地下结构作斗争,导致深度边缘不足.
• 深度学习 (DL) 与结构光技术相结合,为手术内利率评估提供了潜力.

研究的目的:

• 研究一个支持DL的空间频域成像 (SFDI) 系统,用于测量光含体的地下深度.
• 开发和验证DL模型,用于预测口腔瘤中的边缘距离和光度.

主要方法:

• 基于扩散理论的SFDI数值模拟用于用于DL训练的合成图像生成.
• ResNet和U-Net卷积神经网络是为了预测边缘距离和光度而开发的.
• 验证涉及有光含量的光,幻影和活体动物组织数据集.

主要成果:

• 该U-NetDL模型预测口腔癌深度的平均误差为1.43±1.84毫米,最接近的深度的误差为0.33±0.31毫米.
• 在幻影中,地下深度预测的误差为0.57±0.38毫米.
• 活体组织分析显示,最接近距离的预测误差为0.59±0.53毫米,对于最深6毫米的入.

结论:

• 一个使用in silico数据进行训练的DL启用SFDI系统显示出在口腔癌外科手术中进行手术内边缘评估的重大前景.
• 这种方法可以通过量化地下结构来提高瘤切除的准确性.
• 进一步开发可以提高口腔癌治疗的外科精度和患者的治疗结果.