从使用基于深度学习的细分技术的先进内镜成像对密室的定量测量

科学领域:

• 胃肠病学和计算病理学
• 医疗成像中的人工智能
• 生物结构的形态测量分析

背景情况:

• 精确测量肠道密室形态对于了解肠道健康和疾病至关重要.
• 内分细胞镜可提供粘膜微观结构的高放大可视化,包括密室.
• 精确的密码边界划分对于提取有意义的形态特征至关重要.

研究的目的:

• 开发和验证使用Mask R-CNN.用于定位和细分肠道密室的自动化方法.
• 从细分的密室中提取定量形态指数,以表征粘膜状况.
• 评估这些指标在性结肠炎 (UC) 中区分健康与炎症的粘膜中的潜力.

主要方法:

• 利用面膜区域基于卷积神经网络 (面膜R-CNN) 在内细胞镜视频中进行密码分割.
• 处理了47名患者的65个视频,进行了自动细分和定量测量.
• 提取的参数包括密码密度,面积,离心率,直径和密码间距离.

主要成果:

• 面具R-CNN在密码分割中实现了高精度,测试数据的灵敏度为94%,整体精度为96%.
• 自动测量显示,与手动注释的相关性为95%.
• 确定了潜在有用的定量形态指数,用于表征UC相关的粘膜变化.

结论:

• 自动化Mask R-CNN细分提供了肠道密室的准确和可重现的定量测量.
• 这种人工智能驱动的方法有助于客观地评估粘膜健康和疾病.
• 该方法对早期发现结直肠癌等疾病和监测治疗反应具有前景.