使用基于光学连贯性断层扫描的减弱系数估计,对质质中底层膜损失的定量评估

科学领域:

• 皮肤病学 皮肤病学
• 生物医学成像技术 生物医学成像技术
• 人工智能的人工智能

背景情况:

• 黑色素是一种常见的色素性疾病,其特点是黑色素沉积和皮肤结构变化.
• 目前的瘤诊断工具主要集中在色素上,不提供实时的组织病理学评估.
• 底层膜 (BM) 完整性对皮肤结构至关重要,其破坏与疹病变产生有关.

研究的目的:

• 开发和验证一种非侵入性,定量方法,用光学连贯断层扫描 (OCT) 和深度学习来评估瘤中底层膜 (BM) 干扰.
• 评估拟议的方法在体内诊断和监测瘤的潜力.

主要方法:

• 使用OCT B扫描的衰减系数 (AC) 映射生成横截面皮肤图像.
• 开发一个改进的Unet模型 (Res-Att-Unet),结合剩余和注意模块来增强BM细分.
• 与皮肤周围的皮肤相比,在梅拉斯马病变中的BM损失的定量分析.

主要成果:

• 与传统的OCT相比,AC映射改善了图像对比度和BM细分精度.
• Res-Att-Unet模型实现了高性能指标:81.4%的准确性,83.8%的F1分数和BM细分的72.1%的IOU.
• 在梅拉斯玛皮肤 (66.0%±19.8%) 观察到明显更大的BM损失,而不是在周围皮肤 (47.2%±18.5%,p<0.001).
• 纵向监测显示,经过特兰胺酸 (TXA) 治疗后,肌肉骨显著恢复.

结论:

• 拟议的基于OCT的深度学习的非侵入性方法可以对体内底层膜完整性的定量评估.
• 这种技术显示出作为一种有价值的工具,有助于临床诊断和监测瘤的潜力.
• 这些发现突出了BM中断在黑色素瘤中的作用及其在治疗后恢复的潜力.