肠缺血是一种可能致命的医学病症，由流向肠道的血流减少或阻塞引起。它与许多严重的胃肠道疾病有关，这些疾病可能会产生长期和致命的影响。如果不加以治疗，它会迅速发展为不可逆的肠坏死，进而导致致命的代谢紊乱和终末器官功能障碍。因此，及时对这种情况进行手术治疗至关重要。
由于缺乏可靠的标记，目前对肠灌注(流向肠道的血液)的术中评估是基于人类外科医生的主观评估。这为严重的长期健康后果的错误敞开了大门。因此，必须对肠灌注进行定量和客观的评估。
现在，一个国际研究团队已经解决了这个问题。在最近发表在《医学影像学杂志》上的一项研究中，研究人员开发了一种基于条件生成对抗网络 (cGAN) 的深度学习模型，并用它来分析来自激光散斑对比成像 (LSCI) 与可见光相机相结合的数据识别异常组织灌注区域。
“我们的视觉平台围绕具有红-绿-蓝 (RGB) 和无染料 LSCI 通道的双模式台式成像系统构建。我们使用临床前模型来收集具有正常/异常微血管的肠系膜血管结构数据灌注以创建一个控制/实验组。然后我们用正常数据集训练我们的模型，并使用异常数据进行测试，”主要作者、谢赫扎耶德外科创新研究所副教授兼首席研究员 Jaepyeong Cha 解释道。
cGAN 通过监测潜在特征空间的错误重建来检测缺血性肠区域，潜在特征空间是一个嵌入空间，将彼此相似的项目彼此靠近放置。cGAN 的主要优点是它是无监督的，这意味着它不需要任何事先手动标记数据来检测模式。“事实上，与传统的定性 LSCI 技术相比，它为不同程度的缺血提供了明确定义的分割结果，”Cha 强调说。
使用 2560 个 RGB/LSCI 图像对的集合，研究人员证明他们的模型可以准确地分割缺血性肠道图像，准确率超过 93%，与目前的主观方法相比毫不逊色。多个独立估计用于标记图像，将外科医生的注释与血管图像可疑区域中称为“最快梯度下降”的优化算法相结合。对于 256 × 256 的图像，深度学习方法的总处理时间仅为几分之一 (0.05) 秒。总体而言，该模型在肠缺血的像素级概率分布方面优于原始 LSCI 图像。
所提出的模型提供了对肠灌注的逐像素和定量分析，使其可靠且优于标准程序，并有望获得更好的手术结果。“它有可能通过提高术中诊断的准确性来帮助外科医生改善肠系膜缺血和其他胃肠道手术的临床结果，”Cha 说。“通过结合 cGAN 的计算机辅助检测平台，他们将能够从彩色 RGB 图像中预测健康的组织灌注模式，并识别有风险的缺血区域。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！