slovenski

Določanje parametrov kože z metodo Monte Carlo in nevronskimi mrežami

Raziskave z optičnimi metodami so zaradi svoje neinvazivnosti in relativno nizke cene priljubljene v medicinski diagnostiki. Iz difuzno odbojnega spektra kože, ki ga pridobimo z integracijsko kroglo ali hiperspektralnim slikanjem, lahko izluščimo informacije o njeni sestavi – npr. količino melanina in krvi, oksigenacijo, koncentracije drugih kromoforov kot so bilirubin in podobno. Poznavanje teh parametrov nam lahko pomaga pri spremljanju razvoja modric, vnetij, znamenj ali ostalih kožnih sprememb. Običajno je iskanje parametrov zamudno, saj poteka z natančno, a počasno metodo inverznega Monte Carla (MC). Pri večplastni MC metodi simuliramo transport fotonskih paketov skozi poenostavljen model tkiva, ki upošteva absorpcijske ter sipalne lastnosti posameznih plasti. Število potrebnih fotonskih paketov ter iteracij postopka nam čas za pridobitev ene uspešne kombinacije parametrov dvigne na nekaj deset minut. To je veliko prepočasi za obdelavo hiperspektralnih slik ali za spremljanje tkivnih parametrov v realnem času. Pohitritev postopka lahko najdemo v strojnem učenju, natančneje v uporabi klasične nevronske mreže ANN s tremi skritimi sloji in ReLU aktivacijsko funkcijo. Ko pripravimo model kože (določimo število plasti, kromofore ter debeline), lahko pripravimo set simuliranih podatkov, na katerih bomo trenirali mrežo. V našem primeru smo pustili, da se v modelu kože spreminjajo količina melanina v epidermisu, količina krvi in njena oksigenacija v papilarnem ter retikularnem dermisu in amplituda sipanja v dermisu. Mrežo smo potem testirali na manjšem setu realnih spektrov pridobljenih z integracijsko sfero in fitanih spektrov dobljenih z MC. Za 39 testiranih primerov je bila napaka za koncentracijo melanina (0.96 ± 0.08) %, za koncentracijo krvi (1.89 ± 0.15) % (papilarna) in (0.71 ± 0.25) (retikularna), oksigenacijo (14 ± 11) % (papilarna) in (63 ± 27) % (retikularna) ter za amplitudo sipalnega koeficienta (37.1 ± 5.7) cm-1. Izmerjena hitrost ocene parametrov za 50 000 primerov z ANN je 26.4 s. S tako hitrostjo bi celotno hiperspektralno sliko lahko obdelali v nekaj minutah, kar bi povečalo uporabnost teh metod v klinični praksi.

hiperspektralna slika ; koža ; strojno učenje

nije evidentirano