Содержание

Уход за полостью рта в домашних условиях

Здоровые и красивые зубы — важнейшее достояние каждого человека, обычно ассоциируются с успешностью и благополучием того, кому они принадлежат, а сверкающая белоснежная улыбка привлекает к себе любого собеседника.

Правила по уходу за полостью рта 

Несмотря на современные методы лечения зубов, поход в к стоматологу вызывает неподдельный ужас у большинства людей. До сих пор многие приходят к врачу только в тогда, когда терпеть боль уже нет никаких сил, и необходимо экстренное вмешательство стоматолога, а самолечение потребует довольно много времени и траты значительных денежных средств.

Чтобы этого не произошло, достаточно просто придерживаться определенных правил по профилактическому уходу за зубами, а именно:

  • ежедневная двухразовая чистка зубов: в утреннее и вечернее время;
  • полоскание рта после еды;
  • применение особых зубных нитей;
  • использование ирригатора.

Способы профилактики

Чистка зубов должна занимать не менее 3 минут, с обеих сторон зубного ряда, направляясь от «десен к зубам». Далее необходимо очистить пространство между зубами, для чего отлично подойдет зубная нить. И последнее, ротовая полость должна быть продезинфицирована специальной жидкостью для полоскания или при помощи ирригатора: прибором для ухода за полостью рта. Некоторые стоматологи утверждают, что регулярное применение ирригатора наравне с зубной щеткой дает возможность отбелить зубы не хуже, чем у врача. Ирригатор оказывает профилактическое действие и лечит такие заболевания, как зубной камень, воспаления десен и пародонтоз. Применять этот прибор необходимо после приема пищи, что дает возможность удалить остатки еды и сделать массаж десен. Это происходит за счет процесса ирригации — своеобразного гидромассажа ротовой полости теплой водой. А люди, столкнувшиеся с зубным протезированием, без ирригатора не могут обойтись совсем, так как чистка протезов, коронок и брекетов подразумевает использование стационарного прибора, снабженного функцией регулировки напора водяной струи. Но гигиена полости рта — это не только содержание их в чистоте, но и обязательный уход за деснами. В связи с этим в качестве проведения профилактических действий рекомендуется самостоятельно делать массаж десен, обеспечивая зубам качественное кровоснабжение.

Кроме того, необходимо обратить пристальное внимание на рацион питания. Не секрет, что кариес возникает при резком увеличении потребления сахаросодержащих продуктов и углеводов. Чтобы как — то ограничить этот процесс, следует включать в свой рацион овощи и фрукты, которые укрепляют десны и полезны для зубов.

Необходимо признать, что несмотря на все эти меры, поход в стоматологию является первоочередной задачей для каждого человека. Такой осмотр в целях профилактики необходим не менее чем дважды в год.

Рак толстой (ободочной) кишки — симптомы и признаки, диагностика

Рак толстой (ободочной) кишки — это онкологическое заболевание, поражающее часть кишечника, к функциям которого относится обратное всасывание жидкости и формирование каловых масс.

Рак толстой кишки классифицируется на аденокарциному, а также нейроэндокринную и плоскоклеточную опухоль. Определить гистологическую форму заболевания возможно только после диагностики новообразования с использованием эндоскопии и хирургии.

Рак толстой (ободочной) кишки — стадии

Раковая опухоль толстой кишки классифицируется единой международной методикой, которая определяет течение болезни в зависимости от симптомов и признаков развития заболевания. Для прогнозирования эффективного лечения среди врачей и научных исследований используется единое обозначение развития рака толстой кишки.

Стадийность заболевания зависит от распространения раковых клеток в организме. От места появления опухоли до его метастазирования в другие органы.

  1. 1 стадия — диагностируется новообразование только в тканях толстой кишки,
  2. 2 стадия — прорастание раковых клеток в полость кишечника,
  3. 3 стадия — опухоль распространяется в лимфатические сосуды и узлы,
  4. 4 стадия — метастазирование в другие органы.

Рак толстой (ободочной) кишки — симптомы

Это опасное заболевание на ранних стадиях проявляется бессимптомно. Признаки рака толстой кишки проявляются уже на 3 и 4 стадии. К симптомам относится боль в средней части живота, нарушение пищеварения, выделение крови и слизи. Общее самочувствие человека тоже ухудшается. Интоксикация организма раковыми клетками выявляется такими признаками, как повышенная температура тела, слабость, утомляемость, снижение аппетита и вследствие чего потеря веса.

Диагностика общего состояния организма и проведение профилактических обследований позволяет определить рак толстой кишки до появления симптомов и признаков, что помогает организовать правильную схему лечения.

Рак толстой (ободочной) кишки — причины развития

Причинами возникновения рака толстой кишки является:

  • генетическая наследственность,
  • неправильное питание, особенно употребление жирной пищи и большое количество поваренной соли,
  • хронические воспалительные кишечные заболевания,
  • вредные привычки,
  • малоподвижный образ жизни.

Рак толстой (ободочной) кишки — диагностика

Жалобы пациента и проявление симптомов заболевания начинаются обычно с кишечных колик. На консультации со специалистом выясняются причины возникновения признаков нарушения работы внутренних органов и общего состояния.

Рак толстой кишки в некоторых случаях возможно определить на первичном осмотре при пальпации брюшной полости. После чего назначается эндоскопические исследования со взятием биоматериала. Данное исследование позволяет врачу определить размеры, характер и стадию опухоли, что крайне важно влияет на процент возможного выздоровления.

При невозможности использования эндоскопического метода лечения назначается ирригоскопия, что также помогает оценить характер новообразования. Компьютерная диагностика позволяет определить стадию заболевания и распространение раковых клеток в организме. Рак толстой кишки может быть осложнен сопутствующими патологиями, поэтому необходимо назначение обследований сосудов, лимфоузлов, легких и сердца, а также исследования крови и мочи.

Рак толстой (ободочной) кишки — лечение

Рак ободочной (толстой) кишки лечится доступными комбинированными способами, с применением хирургического вмешательства и приемом химиопрепаратов.

В зависимости от признаков опухоли и симптомов у больного подбирается несколько видов лечения. Стадийность рака толстой кишки позволяет либо сразу произвести радикальное удаление места опухоли, или же проводить комплекс поддерживающих процедур.

При первой и второй стадии возможно удаление только части кишечной полости. Если рак толстой кишки имеет прогрессию в лимфатические узлы, то их удаляют тоже. После резекции части кишечника проводится химиотерапевтическое лечение. Прием специализированных препаратов снижает риск рецидива, а также способствует снятию большого количества симптомов заболевания. Но после приема химиотерапии возможно проявление побочных признаков. Воспалительные процессы в ротовой полости, реакции на кожных покровах, расстройства пищеварения и снижение показателей кровеносных ростков. Такие побочные признаки корректируются сменой препаратов для снижения симптоматики.

Для лечения рака толстой кишки используется также современный вид лечения такой, как HiFu-терапия . Это усовершенствованный аналог лучевой терапии, который позволяет высокочастотное ультразвуковое воздействие на кишечную полость через брюшину.

Особенностью реабилитационного периода рака ободочной (толстой) кишки является постановка кишечной стомы. Такая мера необходима для заживления места резекции и убирается после 3-6 месяцев с момента операции.

Лечение рака толстой кишки имеет благоприятный исход, который можно сохранять на долгие годы. Такое возможно при соблюдении профилактических мер, внимательному отношению к появлению симптомов и признаков заболевания, а также постоянному контролю у врача онколога-гастроэнтеролога.

Рак толстой кишки может изменить течение жизни человека в худшую сторону, или привести к летальному исходу. Распространенное лечение в виде хирургического вмешательства является наиболее эффективным, но это возможно при раннем обнаружении заболевания. С первым проявлением признаков заболевания и симптомами важно начать диагностику и назначение программы лечения. Сохранить нормальное качество жизни поможет комплекс определенных процедур и соблюдение врачебных рекомендаций.

Филиалы и отделения где лечат рак ободочной (толстой) кишки

МНИОИ им. П.А. Герцена – филиал ФГБУ «НМИЦ радиологии» Минздрава России.

МРНЦ им. А.Ф. Цыба – филиал ФГБУ «НМИЦ радиологии» Минздрава России.

Мастоцитома у собак: причины, симптомы, лечение, фото

Мастоцитома у собак — это злокачественная опухоль из тучных клеток (мастоцитов), поражающая, преимущественно, кожу у собак. Особенностью данной опухоли является быстрый переход из спокойной формы в агрессивную, сверх широкое распространение в окружающих тканях и раннее начало метастазирования. Связано это с особенностью строения тучной клетки – мастоцита, имеющей в своей цитоплазме большое количество медиаторов воспаления (гранул гистамина, серотонина, протеолитических ферментов), участвующих в развитии аллергического ответа организма. Также может отмечаться системное поражение организма, в таком случае говорят о тучноклеточном лейкозе у собак (или системном мастоцитозе).

Мастоцитому собак относят к распространённым опухолям кожных покровов и частота встречаемости составляет, примерно, 10% от всех новообразований кожи у собак. Предрасположены к мастоцитомам собаки гладкошерстных пород, брахицефалических пород, а также голден ретриверы, бернские зененхунды и таксы. Средний возраст возникновения мастоцитомы у собак – 9 лет, не отмечено половой предрасположенности и мастоцитома у собак не передаются по наследству.

Причины мастоцитомы у собак

Причины появления мастоцитомы у собак очень сложны и связывают их с мутацией протоонкогена (предшественник онкогена – гена, вызывающего мутацию, ведущую к развитию рака) Kit. Данный протоонкоген Kit играет важную роль в кроветворении и пролиферации тучных клеток, из которых потом могут образовываться опухоли.

По гистологической классификации выделяют:

  • Высокодифференцированные опухоли (1 степень) – отличаются низким метастатическим потенциалом (редко дают метастазы с другие органы и ткани), низким потенциалом возникновения рецидива и длительной продолжительностью жизни.
  • Умеренно дифференцированные опухоли (2 степень) – метастатический потенциал 10 – 22%, средним потенциалом рецидивирования и умеренной продолжительностью жизни.
  • Низкодифференцированные опухоли (3 степень) – метастатический потенциал более 80%, постоянно рецидивируют и погибают от основного заболевания более 65% животных.

Основной путь метастазирования мастоцитом у собак лимфогенный (током лимфатической жидкости), также выделяют гематогенный путь (током крови). По локализации мастоцитом 50% приходится на туловище, на конечности приходится 25 – 40%, на голову и шею около 10%. Также мастоцитома может поражать у собак слизистую оболочку ротовой полости и, реже, брюшную полость (висцеральный мастоцитоз собак).

Поражение ротовой полости при мастоцитоме у собак

Симптомы мастоцитомы у собак

Симптомы мастоцитомы у собак имеют разнообразное проявление. Чаще всего это единичное (в 95% случаев) округлое образование кожи, мягкое, подвижное и может не иметь шерстного покрова. Высокодифференцированные мастоцитомы, чаще всего, медленно растут, эластичные и не вызывают беспокойства ни у животных, ни у их владельцев. Низкодифференцированная мастоцитома у собак чаще всего имеет признаки воспаления, эрозии кожного покрова, выраженный зуд. Для низкодифференцированной мастоцитомы характерно проявление синдрома Дарье – появление красноватых узелков при растирании самой опухоли и кожного покрова рядом с ней.

Диагностика мастоцитомы у собак

Диагностику мастоцитом у собак должен проводить только высококвалифицированный врач-онколог. Она включает в себя тщательный сбор анамнеза, осмотр животного, цитологическое исследование, анализы крови, рентгенограммы и ультразвуковое исследование, гистологическое и иммуногистохимическое исследование опухоли. Такая сложная диагностика мастоцитом позволяет поставить точный диагноз, определить прогноз и разработать оптимальную для каждого конкретного случая схему лечения.

Цитологическая картина мастоцитомы у собак

Также мастоцитома может приводить к развитию паранеопластического синдрома – комплекс симптомов, развивающийся не от непосредственного действия опухоли, а от ее опосредованного действия за счет высвобождения биологически активных веществ. Ранее упоминалось, что мастоциты содержат в своей цитоплазме большое количество медиаторов воспаления. При прогрессировании опухоли или при разрушении клеток, особенно при низкодифференцированной форме мастоцитомы, данные вещества выходят и попадают в кровоток, вызывая системные реакции. Наиболее характерные проявления паранеопластического синдрома при мастоцитоме у собак это поражение желудочно-кишечного тракта, вплоть до развития язвенной болезни. Нередко отмечают поражение дыхательной системы (отмечают риниты, бронхиты и бронхопневмонии), выявляют лейкоцитоз и тромбоцитопению (снижение количества тромбоцитов в крови, что опасно кровотечениями).

Лечение мастоцитомы у собак

Лечение мастоцитомы у собак представляет собой большие трудности. Связано это, в первую очередь с тем, что тучноклеточные опухоли, как уже упоминалось выше, широко распространены в окружающих тканях и простого хирургического иссечения не достаточно. Наиболее часто при лечении данного вида опухолевого процесса используют местные блокады с гормональными средствами. В ходе их выполнения обычно происходит уменьшение размера опухоли, ее активности и это позволяет провести широкое иссечение образования. Связан данный ответ с тем, что в мастоцитах содержится большое количество медиаторов воспаления, а гормональные средства, используемые при блокадах, в значительной мере подавляют их активность.

Существуют определенные правила проведения хирургических операций при мастоцитоме у собак. В первую очередь необходимо отступать от краев опухоли расстояние не в один размер образования, как при других типах рака кожи у собак, а расстояние, равное трем размерам мастоцитомы. Это позволяет в значительной степени снизить риск образования рецидивов. Вторым правилом хирургии мастоцитом является обязательное гистологическое исследование краев раны, так называемой здоровой зоны, на предмет наличия тучных клеток.

Хирургические границы при мастоцитоме у собак

В случае невозможности проведения хирургической операции при мастоцитоме у собак используются рекомендованные схемы химиотерапии. Они включат в себя использование преднизолона, винбластина, ломустина и циклофосфамида. Эти препараты, как и любая химиотерапия, производят системный эффект, проявляющийся угнетением кроветворения, развитием анемий и кишечными расстройствами.

Помимо классической химиотерапии существует таргентая (от англ. Target – мишень) терапия мастоцитом. Смысл данного вида лечения заключается в использовании препаратов подавляющих рост клеток, имеющих определенные рецепторы – C-Kit, VEGFR и др. О существовании данных рецепторов в мастоцитах при тучноклеточных опухолях у собак можно узнать на основании иммуногистохимического исследования. Его проводят путем исследования опухоли после ее удаления или после получения материала другим способом, например, взятием столбика ткани с помощью специальных систем для анализа. При обнаружении этих рецепторов в мутировавших мастоцитах назначают особые препараты, блокирующие данные клетки. Наиболее используемыми являются два препарата: маситиниб (Masivet®) и тоцераниб (Palladia®). Стоит отметить, что данные лекарственные средства еще не полностью прошил сертификацию в РФ и стоимость их высока.

Прогноз

Прогноз при мастоцитоме у собак зависит напрямую от классификации опухоли, стадии процесса и возраста животного. Также на него влияют и данные иммуногистохимического анализа, на основании которого выявляют процент мутировавших клеток и эффективность таргентной терапии. При высокодифференцированных мастоцитомах продолжительность жизни значительная, при умеренно дифференцированных опухолях средняя продолжительность жизни составляет, в среднем, от 1 до 3 лет. При низкодифференцированных тучноклеточных опухолях прогноз неблагоприятный и срок жизни пациентов не превышает 12 мес.

Клинический случай стабилизации мастоцитомы у мопса

Мопс 2,5 года Лола обратилась на прием в клинику с жалобами на образование левой верхней губы, до этого наблюдались в сторонней клинике с диагнозом мастоцитома, лечение не проводили.

Была рекомендована химиотерапия Масивет в стандартных дозах. Курс лечения Лола переносит хорошо. Через 2 месяца отмечено полное исчезновение симптомов заболевания.

Автор статьи:
ветеринарный врач-онколог, кандидат ветеринарных наук
Каблуков Александр Дмитриевич

изображений рака полости рта – The Oral Cancer Foundation

Все

10 Anson Road, International Plaza Singapore

8th International Meet on Cancer

Abbeville Dental Care Center

Abbeville Dentistry

Southville Dentistry

Family Dentistry Косметическая стоматология

Абрамс Центр для косметической стоматологии

ABU DHABI, ОАЭ

Advance Dental Care

Alcoma Dental Associates

Alden Bridge Family Dental

Amelia East Marmy Dental

Amerores Dental

Anaheim Convention Center

Arden Center Center

Asia Pacific Conferences

Aurora Medical Center Summit Clinic INV Отдел

Aurora Sinai Medical Center

Australia

Barcelona

Бас-река Dental

Красивая стоматология

Belmont Family Dental

Belelin, Германия

Best Dental

Bethlehem Lutheran Church

Big Cedar Lodge

Big Cedar Lodge

Brownowsburg Park Park

Buena Park Старший Центр

California Dental Innovavations

Califorge Fire

Центр стоматологического кабинета

Центр интегративного устного здоровья Inc.

Христос United Methodist Church

Conference Series rooms Ltd

Corrales New Mexio Festival 2019

Косметические стоматологи Houston

Crown Costco

Crissy Field East Beach

Корона Выставочный центр (Crown Promenade)

Crown Plaza Deira Dubai , ОАЭ

Crowne Plaza Dubai — Deira, ОАЭ

Cruise & Travel Partners LLC

CT долина больница

CT

Deanza Cove Park

Dental Care of Patchoge

Стоматологический центр в Зебулоне

Стоматологи Hanies Healse

DMV Area

Dr Smile San Pedro

Dr.Бенджамин С. Фисс

Доктор Дарси Уэйкфилд, DDS

Семейная стоматология доктора Г.

Стоматология доктора Маркеса

Доктор Паулина Дель Рио

Доктор Уильям Э. Вятт мл. Drug Design 2020

Дубай

Дубай, ОАЭ

Dunes Dental Services Inc.

Dynamic Dental PLLC

Eagles Event Hall

Eavles East Georgia Centre для Wast Georgia Centre для Sear & Facial Hunt

Elk Park

Elsbery Park

Elsbery Partistry

Esthetic Family Destiation

Euroscicon

Исключительная стоматология в Johns Creek

Факультет стоматологии, Бенгази университет

Семейная стоматология

Центр семейного здоровья Fire House

Первая пресвитерианская церковь

Франкфурт, Германия

Бесплатный скрининг на рак полости рта, организованный Esthetic Family Dentistry

БЕСПЛАТНЫЙ скрининг на рак полости рта — Olathe, KS

3 Бесплатные скрининги на рак полости рта, организованные Oral Cancer Screens, KS

3 by Oral & Craniofacial Center

Бесплатные обследования на рак полости рта в долине Рио-Гранде

Front Range Community College

Fruita Community Center

Gary Green, DMD

Gary Wheeler DDS

Gaylord Texan Resort & Convention Center 90m72 Gold’s103

Грейс Эписк Церковь ОПАЛ

Grand Parkway Smiles

Greenwood Нежный стоматолог

Gsmile Dental

Gwalior

Hannah Nguyen DDS PLLC

HeCkscher State Pllc

Helsinki, Финляндия

Herald Square Dental & The Denture Centre

Hilton — Бостон / Дедхэм

Holiday Inn Dubai Al Barsha

Holiday Inn EXpress

Holiday Inn London

Семейная стоматология Honey Grove

Hosaka Dental

Отель NH Venezia Laguna Palace

https://aging.healthconferences.org/

https://bacteriology.conferenceseries.com/asiapacific/

https://optics-lasertech.enggconferences.com/

https://outlookconferences.com/olccec-2019/index.php

https://outlookconferences.com/olcopc-2019/index.php

https://pediatricinfectious.pediatricsconferences.com/

https://www.conferenceseries.com/

Hudec Dental — Bedford

Hudec Dental — BroadView Heights

Hudec Dental — Euclid

Huclid Dental — Garfield Healths

Hudec Dental — Lorain RD

Hudec Dental — Lutheran Hospital

Hudec Dental — MACEDONIA

Hudec Dental — Memphis

Hudec Dental — Humbburg Highs

Hudec Dental – Puritas Ave

Hudec Dental – Strongsville

Hudec Dental Broadview Rd

Первичная больница Hukuntsi

Стоматология Huntingdon Valley

Hyatt Regency Amsterdam

Отель Hyatt Regency San Francisco

Торговый центр Jefferson

Джеффри П.Wray DDS

Juanita Beach Park

Kaiser Parstine — Sunnybrook Medical Office

Kakaako Medical College

Karpagam Medical College Collection

Kendall Pointe Dental

Kentucky International Convention Centre

Kiran Posither

Krause Dental Care

Леди птица Джонсон Park

Lakeshore Community Church

Las Vegas

Leesville Dental Studio

Leslie I. Davis, BDS, DDS

Lifetime Smiles

Light House Dentistry

Lincoln Dental CenterNavPreet Sangha

Лондон

Лондон, Великобритания

Лондон, Великобритания

Лондон, Великобритания

Longwood Dental Group

Longwood Dental Group

Louisville, KY

MADSEN и Hirsch Dental Care

Magnolia Family Dentiation

Mangalore

Manor

McCormick Place — West Conidity

MCCulloch Wilson Dental

Me Conference

Me Conferences

Medina Conserence

Medina Dental

Merit Dental Dental

Merit Dental Portage Indiana

Merit Dental Crossville

Metairire современной стоматологии

Митрополит

Семейный сеть здравоохранения

Mettler и Greiego семейная стоматология

Miami Lakes косметическая стоматология

Miami Smile Miami, USA

Miami, USA

MIAMI, USA

MIDWEST Dental AltoNa

Midwest Dental Atlantic

Средний запас CHETEK

Средний Запад Dental Eau Claire South

Midwest Dental Jacksonville

Midwest Dental Madison West

Midwest Dental Mondovi

Midwest Dental Plover

Midwest Dental Portage WI

Midwest Dental St Renville

03 west.Anthony

Средняя запасная стоматология

Morris Dental Solutions

Morris Family Dental

Mortenson Family Dental Audubon

Mortenson Family Dental Frankfort KY

Mortenson Family Dental Highlands

Mortmeson Family Dental Hillview

Mortenson Family Dental Jefferson Mall

Mortenson Family Dental New Albany

Mortenson Family Dental Simpsonville

Mortenson Family Dental Versailles

Mortenson Family Dental- Крествуд

Mortenson Family Dental- LaGrange

Mortenson Family Dental-Lebanon Junction

Mortenson Hillview

904 DENTAL DAINAL

горный стоматологический эспанола

Мюнхен, Германия

MUNICH, ГЕРМАНИЯ

MVP Family Dental

NATURADENTE

NATURADENTE

NELSON DENAWAWA

Nelson Dental Care

Norfolk Семья и детская стоматология

Северный павильон

North Salem Care Care

Northpoint Здоровье и Оздоровительный центр

Северо-Западная семья YMCA

Колледж Нью-Ймка

NYU Collection Tontistolation

Олдейская семейная стоматология

Oakdale Centre Central Center

Огайо для орального лица и имплантат

онлайн

Острым устным сооружением 5К и детей Sprint

Острым лица и имплантат Хирургия, Salina

Орхидея здравоохранение Oakridge Dental Clinic

Outlook Conferences

Palomar Medical Center EscondiDo

Palomar Medical Center Poway, амбулаторные Pavillion

Panagarh

Patterson Park

Phoenix Smiles Dental Center

Pinecrest Dental 9000 3

Putnam Dental Associates

Roadiant Dental

Roadiant Dental — Buford, GA

Rajshahi University

Rajshahi Dallas

Renaissance Dallas

Renaissance London Heathrow Hotel, ванна Road Hounslow, TWAQ, 2AQ, Лондон, Великобритания

Rhoades Family Dativation

РИВЕР ПАРК СТОМАТОЛОГИЧЕСКИЙ ЦЕНТР

Рим, Италия

Рональд З.Ховард ДДС., Крис Николас ДДС и Джеймс Бабурек ДДС., Inc.

Санкт-Петербург, Российская Федерация

Салли Кашани DDS Стоматологический кабинет

San Francisco

SAN FRANCISCO

SAN FRANCISCO

SC COUSMETY & Implant Dental

Seton Center Dental

Sevens Dental

Sheraton Heathrow Hotel

Shine и Smile Dental

Шрусбери, Миссури

Sikka Dental Corp

Sligo-Dennis Avenue Local Park

Семейная стоматология Smoketown

Soboba Dental

Southwest Missouri Agriculture show & Business Expo

3 St.Беда Академия

Сент-Пит Оральный центр здоровья

Sullivan Consert Center Center Center Center Center Center

Summit Citental Health

Sun City West, AZ

Swiss Quality Smile

Терраса улыбается стоматология

Тестирование

Техасский государственный университет

Texas State University Round Rock

Campbell Dental Group

Классическая улыбка

Tidewell Многофункциональный Центр Tidewell

Токио, Япония

Tokyo Care

Университет Дубы Dental

Университет Инновации в Верхние Восточные 1065 Dental

UT Health San Antonio Школа стоматологии

UT MD Anderson Cancer Center — отдел головы и шеи хирургия

Valencia

Valley Dental

Vancouver, Canada

Venice, Италия

Деревня Corrales

добровольцев Медицина

Vue Dental

Walgreens

WaLGreens Township Park

Westside Medical Office

Wendside Medical Office

Windermere Village Tental Care

Wood Park Tental

Wood Park Dental

Woodland Family Dental Care

Woodridge Family Dental PC

Wrigleyville Colidal Dental ChicaGo, Il

YMCA

Йокогама, Япония

Цюрих, Швейцария

Алгоритмическое раннее выявление рака полости рта с помощью анализа изображений

Цель: Разработать алгоритм автоматического обнаружения рака полости рта для выявления и дифференциации предраковых поражений на изображениях ротовой полости для раннего выявления рака полости рта, что может снизить связанные с ним летальные исходы в развивающихся странах.

Дизайн исследования: Изображения полости рта в норме, эритроплакии и лейкоплакии (по 20 изображений каждого) были собраны и обработаны с использованием инструментов обработки изображений MATLAB. Во-первых, максимальное значение красного цвета использовалось для различения нормального и ненормального. Во-вторых, среднее значение красного цвета использовалось для выбора пути обработки через YCbCr. В-третьих, для принятия окончательных решений использовались функции, основанные на матрице совпадения уровней серого (GLCM).Изображения были случайным образом разделены и перетасованы между обучающим и тестовым наборами для тщательного обучения алгоритма.

Результаты: С эффективностью 100% нормальные изображения были отделены от аномальных изображений на первом этапе путем применения распределения значения R с пороговым значением R, равным 11 900. Далее изображения со средним значением R>200 и <200 обрабатывали путем сегментации плоскости Y и плоскости Cr соответственно.Для окончательного решения аномальные изображения были проанализированы с помощью GLCM с использованием функции энтропии в качестве одного из ключевых показателей, который может применяться к решению о дифференциации с эффективностью 89%.

Выводы: Разработанный алгоритм позволяет успешно дифференцировать предраковые поражения от нормальных. Был разработан графический пользовательский интерфейс, который отображает результаты с достаточной точностью.

Автоматическое обнаружение рака ротовой полости на изображениях со смартфона с использованием глубокого обучения для ранней диагностики

1.

Введение

Рак ротовой полости является одним из наиболее распространенных видов рака во всем мире с высоким уровнем смертности. По данным Международного агентства по изучению рака, в 2020 году было зарегистрировано около 377 000 новых случаев рака губ и полости рта, при этом во всем мире погибло почти 177 000 человек. 1 Несмотря на достижения в онкологической терапии, уровень смертности от рака ротовой полости остается высоким в течение последних нескольких десятилетий. Большинство больных раком ротовой полости не имеют доступа к своевременной качественной диагностике и лечению, особенно в сельской местности, что приводит к низким показателям выживаемости. Общая 5-летняя выживаемость пациентов с диагностированным раком полости рта составляет около 50% и варьируется в зависимости от расы и региона, 2 , тогда как в развитых странах сообщается о выживаемости до 65%; в некоторых сельских районах они могут составлять всего 15% в зависимости от пораженной части полости рта.Согласно отчету о статистике рака за 2020 год из Индии, 66,6% пациентов, страдающих раком головы и шеи, были диагностированы на местно-распространенной стадии. 3 Короче говоря, показатели выживаемости пациентов и прогноз значительно ухудшаются, когда у пациентов с раком ротовой полости диагностируют более поздние стадии 4 , 5 , так что усиление ранней диагностики может означать значительное увеличение положительных результатов выживаемости. 6 , 7

Поскольку плоскоклеточный рак полости рта (OSCC) составляет ~90% всех случаев рака полости рта, 8 , 9 эти два термина имеют тенденцию к использованию.OSCC, который возникает как эпителиальная дисплазия (с гистопатологической точки зрения), обычно развивается из предшествующих поражений, называемых потенциально злокачественными заболеваниями полости рта (OPMD). 10 , 11 Тем не менее, не обязательно, что все OPMD, даже наиболее часто встречающиеся, такие как красный плоский лишай полости рта, лейкоплакия и эритроплакия, 11 , приводят к последующему развитию злокачественных новообразований. 10 , 12 Диагностика OPMD как поддающихся определению заболеваний также затруднена из-за многочисленных разновидностей, различных форм и перекрывающихся признаков.Однако исследования , 10, , , , , 13, , , , , 14, показали, что когда OPMD меняется на неоднородное представление, это с большей вероятностью будет рассматриваться как неблагоприятное прогрессирование, другими словами, неоднородные поражения имеют больший риск злокачественного перерождения по сравнению с гомогенными поражениями. Следовательно, по сравнению с установленным диагнозом, различение потенциальных злокачественных характеристик OPMD вызывает большую озабоченность. Таким образом, для ранней диагностики OSCC и, в частности, для оценки злокачественности на стадии OPMD следует использовать идеальный метод клинического прогнозирования.

В настоящее время обычное обследование полости рта (СОЭ), состоящее из визуальной и тактильной оценки (с последующей биопсией ткани, если есть какие-либо подозрительные находки), является наиболее рутинной процедурой при лечении рака полости рта и предраковых заболеваний. Тем не менее, одно ограничение для COE заключается в том, что некоторые признаки рака полости рта могут казаться доброкачественными и даже имитировать афтозные язвы, и они слишком клинически гетерогенны и малозаметны для стоматологов общей практики. Во-вторых, из-за своего инвазивного характера и предвзятости выборки, которая может привести к гиподиагностике или ошибочному диагнозу, биопсия часто не является идеальным методом скрининга. 15 Кроме того, несмотря на то, что специалисты могут распознавать большинство характеристик, отличающих доброкачественные новообразования от раковых, количество специалистов и ресурсы здравоохранения ограничены и сосредоточены в разных регионах, в результате чего большая часть бремени рака ротовой полости ложится на сообщества с ограниченными ресурсами . Поэтому идея создания рентабельной стратегии скрининга в качестве дополнительной помощи к текущим процедурам приобретает широкую популярность. 16

Недавно методы глубокого обучения продемонстрировали сравнительное преимущество перед методами на основе признаков в анализе медицинских изображений.Различные исследования 17 , 18 показали, что алгоритмы глубокого обучения способны превзойти эффективность специалистов-людей во многих сценариях распознавания заболеваний. В диагностике рака ротовой полости методы глубокого обучения также показали многообещающие результаты для автоматического анализа патологии, изображений конфокальной лазерной эндомикроскопии (CLE) и флуоресцентных изображений. Например, Кумар и соавт. 19 предложил двухэтапный метод, в котором использовалась сеть сегментации и классификатор деревьев случайного леса для выявления различных стадий рака полости рта на гистологических изображениях.Обревиль и соавт. 20 протестировали глубокую сверточную нейронную сеть для диагностики OSCC на изображениях CLE, и результаты показали, что она превосходит методы классификации на основе признаков. Сонг и др. 21 , 22 разработали мобильные подключенные устройства для получения флуоресцентных изображений полости рта и использовали их для выявления заболеваний полости рта. Однако все эти методы требуют дорогостоящих устройств или специально разработанной платформы для скрининга, которые доступны не всем.Другими словами, пациенты по-прежнему должны обращаться в профессиональную клинику для постановки диагноза.

С быстрым развитием технологий обработки изображений и датчиков в системах камер повсеместное распространение смартфонов оснащено более качественными, малошумящими и более быстрыми модулями камер. Методы обследования в белом свете с помощью смартфона 23 25 являются хорошим решением для получения изображений полости рта. Камалан и соавт. 23 использовал сеть на основе CNN для классификации изображений в белом свете как нормальных или подозрительных; однако выборка пациентов очень ограничена: всего 54 случая.Чтобы построить надежную систему, Welikala et al. 24 собрал больше клинически помеченных данных для обучения и оценки сети, достигнув чувствительности 52,13% и специфичности 49,11% в задаче мультиклассовой классификации. Однако мы обнаружили, что захват клинических изображений с ручных камер смартфонов может демонстрировать большую изменчивость, что приводит к плохой диагностической эффективности алгоритма обнаружения. Например, с точки зрения компьютерного зрения форма и размер визуализируемых поражений зависят от поля зрения и фокусного расстояния соответственно.К сожалению, этой проблеме посвящено ограниченное количество исследований. Чтобы решить эти проблемы, мы стремимся изучить надежные и надежные подходы к изображению белого света на основе смартфонов, включая метод захвата изображения, метод повторной выборки и высокопроизводительную модель CNN для распознавания заболеваний полости рта. Наш основной вклад сводится к следующему.

  • 1. Мы предлагаем простой, но эффективный метод захвата изображений для обеспечения постоянного положения поражения и фокусного расстояния на разных изображениях.Этот метод позволяет напрямую сосредоточиться на отличительных частях для распознавания заболеваний, не используя какие-либо методы предложения региона, 24 , 25 или полагаясь на аннотацию ограничительной рамки 24 устными специалистами.

  • 2. Мы представляем метод повторной выборки, чтобы смягчить эффект изменчивости изображения, вызванный ручной камерой смартфона; в то же время это может решить проблему дисбаланса классов.

  • 3. Мы используем одну из последних предложенных сверточных нейронных сетей (HRNet) для классификации заболеваний полости рта и достигаем лучших результатов, чем обычные модели классификации.Анализ производительности модели на наших собранных изображениях показывает, что общий шаблон изображения на смартфоне является ценным подходом для ранней диагностики.

2.

Материалы и методы

2.1.

Метод захвата изображения

Фокусное расстояние основной камеры в смартфоне обычно короткое, например, в iPhone 12 широкоугольная (всего 26 мм) камера. Число фокусного расстояния говорит нам, какая часть сцены запечатлена на изображении, и чем меньше число, тем шире вид.Поскольку большинство поражений относительно небольшие, мы не можем сделать снимок, на котором поражение занимает большую часть изображения. Это означает, что захваченное изображение может иметь много нерелевантных фонов. Кроме того, даже при одном и том же поражении размер визуализируемого поражения может варьироваться в зависимости от расстояния между камерой и поражением или при использовании разных камер с разным фокусным расстоянием. Таким образом, это приведет к большой изменчивости производительности системы в будущем, и нам нужно найти метод, чтобы уменьшить эту значительную изменчивость.

Несмотря на то, что немедицинскому специалисту очень сложно идентифицировать заболевание ротовой полости, локализация поражений ротовой полости относительно проста, поскольку внешний вид нормальной и пораженной ткани значительно различается. Мы используем сетку камеры, чтобы помочь определить местонахождение поражения в центре изображения и сохранить каждую область поражения на изображениях не слишком маленькой и не слишком большой. Таким образом, можно использовать метод фиксированной области интереса (ROI) для обрезки отличительных частей и фильтрации нерелевантных фонов, не используя какие-либо методы предложения области или полагаясь на какие-либо методы обрезки вручную.Это конкретное позиционирование основного объекта на изображении полезно для повышения производительности CNN для распознавания изображений.

Мы используем родное приложение камеры телефона для захвата изображения полости рта. Как показано на рис. 1, сетка камеры помогает нам увидеть, правильно ли расположено поражение в центре для оптимального баланса в кадре. Операция может быть легко выполнена человеком с помощью ручной камеры смартфона. Основные шаги заключаются в следующем.

  • 1. Включите сетку камеры в настройках.Это отобразит слабую сетку над кадром захвата, разделенную на девять прямоугольников одинакового размера.

  • 2. Сделайте снимок пациента, давшего информированное и одобренное согласие. Держите камеру телефона рядом с поражением, удерживая поражение в центре квадрата, а затем контролируйте расстояние между камерой и поражением, чтобы область поражения (отображаемая на экране камеры) была немного меньше, чем центральная сетка камеры. область, край. Затем нажмите кнопку спуска затвора, чтобы сделать снимок поражения.

  • 3. Загрузите захваченное изображение на компьютер с диагностическим программным обеспечением через прямое соединение или Wi-Fi.

Рис. 1

Иллюстрация сбора данных. Соотношение сторон установлено 4:3; изображение показывает поражение в центре области.

2.2.

The Oral Dataset

Это исследование одобрено Комитетом по этике медицинских исследований Первой дочерней больницы Медицинского колледжа Чжэцзянского университета, Китай.Сбор изображений осуществляется в дневных поликлиниках и на стационарных условиях больницы. Мы используем четыре разных смартфона, в том числе iPhone 11, iPhone 12, IQOO U1 и 360 N7Pro, для ретроспективного сбора изображений полости рта у субъектов старше 18 лет, включая здоровых людей и тех, у кого клинически диагностированы афтозные язвы, OPMD или ротовая полость. рак. Поскольку потеря однородности является ключевым визуальным признаком, указывающим на потенциальный канцерогенез, для OPMD используется бинарная система, которая делит поражения на «низкий риск» (гомогенные) и «высокий риск» (негомогенные) на основе клинических проявлений.Таким образом, все изображения полости рта попадают в одну из пяти категорий в зависимости от начального клинического впечатления, а именно: нормальное состояние, афтозная язва, OPMD низкого риска, OPMD высокого риска или рак полости рта, как показано на рис. 2.

Рис. 2

Обзор пяти категорий на основе первоначального клинического впечатления.

Различные клинические признаки примеров из пяти категорий, показанных на рис. 3, описаны ниже. Здоровая слизистая оболочка однородная, розовая и блестящая, без белых и красных пятен.Клинически афтозные язвы представляют собой неглубокие, круглые или овальные язвы, покрытые желтой псевдомембраной и окруженные эритематозным ореолом. Они могут появиться на любом участке ротовой полости. OPMD относится к широкому спектру поддающихся определению заболеваний, но имеет запутанные клинические проявления. OPMD низкого риска (гомогенный) часто представлен белыми пятнами, которые являются равномерно плоскими и тонкими и имеют гладкую или трещиноватую поверхность без каких-либо атрофических или эрозивных поражений. Для OPMD высокого риска наиболее важным отличием от гомогенного OPMD являются существующие красные компоненты, смешанные с белыми пятнами, что приводит к атрофии или эрозии поражения с неравномерной текстурой поверхности (негомогенной).Рак полости рта часто проявляется узловатым поражением, выступающим над поверхностью слизистой оболочки, или глубокой язвой с шероховатой поверхностью, обе с нечеткими границами.

Рис. 3

Клинические особенности образцов изображений в пяти категориях. (а) Нормальное изображение слизистой оболочки нижних губ и верхней губы здорового человека. (b) Афтозная язва на прикрепленной десне. (c) Гомогенное белое пятно на слизистой оболочке левой щеки. (d) Обширное белое поражение с красным компонентом, поражающее всю слизистую оболочку левой щеки.(e) Злокачественное поражение на боковой границе языка.

Для каждого случая поражения делается одно изображение, другими словами, если у одного пациента несколько случаев заболевания полости рта, мы сделаем несколько изображений. В противном случае мы получаем только одно изображение полости рта от каждого пациента. Статистику количества изображений, количества пациентов, изображений на одного пациента и изображений по типу смартфона можно увидеть в таблице 1. В нормальных случаях можно получить несколько изображений из разных анатомических участков полости рта, включая язык (дорсальный или вентрально), небо, слизистая оболочка губ (верхняя или нижняя), слизистая оболочка щек (левая или правая) и дно рта у здорового человека.Кроме того, пациенты с OPMD низкого или высокого риска чаще имеют мультифокальные поражения по сравнению с пациентами в группе с афтозной язвой или раком.

Таблица 1

Статистика характеристик пациентов и смартфонов в нашем наборе данных о заболеваниях полости рта.

06
Статистика Нормальный Alchous Icer Низкий риск OPMD Высокого риска OPMD Устный рак
Количество изображений 760 251 231 65
Количество пациентов 232 218 218 165 107 107 65 65
Image на пациента (среднее) 328 1,15 1,40 1,32 1,00
смартфон тип:
iPhone 11 87 21 0 5 27
iPhone 12 114 27 16 4 12
IQOO U1 212 58 63 45 15
360 N7Pro 347 145 152 87 11

Для обеспечения высокого качества аннотации мы приглашаем трех специалистов по оральной медицине, занимающихся профилактическим лечением раковых и потенциально злокачественных заболеваний полости рта, для ручного аннотирования изображений.На рис. 4 схематично показан поток аннотаций данных. Во-первых, мы собираем изображения поражений у пациентов и получаем доступ к их клиническим записям (включая медицинские записи и историю болезни), а также к гистопатологическим отчетам, если выполняется последующая биопсия. Все пациенты, у которых изначально был диагностирован рак ротовой полости, прошли гистопатологическое исследование. Случаи с гистопатологическими отчетами можно рассматривать как золотой стандарт. Другие легкие симптоматические поражения, такие как афтозная язва и OPMD низкого риска, могут не иметь гистопатологического заключения.Затем каждое изображение получает аннотации от двух отдельных старших экспертов (в среднем 30 лет клинической практики) со ссылкой на появление симптомов и клинические записи или гистопатологические отчеты. Наконец, еще один эксперт, специализирующийся на заболеваниях слизистой оболочки с 9-летним клиническим опытом, просматривает этикетку каждого случая, чтобы подтвердить первоначальную оценку, и случаи, отмеченные экспертами как содержащие множественные заболевания полости рта или спорные, исключаются из набора данных.

Рис. 4

Схематический поток аннотаций данных от нескольких экспертов. * Не во всех случаях есть гистопатологический отчет.

Окончательные данные полости рта содержат 688 изображений поражений полости рта и 760 изображений нормальной слизистой оболочки. В целом, изображения получены от широкого круга людей в возрасте от 18 до 82 лет и появились в различных анатомических областях. В таблице 2 суммировано количество изображений, полученных для различных анатомических участков в наборе данных. 688 изображений поражений включали изображения афтозной язвы (251), OPMD низкого риска (231), OPMD высокого риска (141) и рака (65).Набор данных случайным образом делится на два подмножества на основе разных пациентов и ограничивается пропорцией количества каждого класса. Учитывая, что наше исследование в основном сосредоточено на ранней диагностике рака ротовой полости, а OPMD и рак с высоким риском являются вредными типами заболеваний, чем другие в наборе данных, мы установили более высокие коэффициенты разделения этих двух классов в наборе тестов, чтобы сделать результаты опытов более убедительны. Набор тестов (455 случаев) состоит из 228 нормальных (30% от нормы), 76 афтозных язв (30%), 69 OPMD низкого риска (30%), 52 OPMD высокого риска (37%) и 30 раковых заболеваний. 46%).

Таблица 2

Обзор номеров изображений для различных анатомических участков в нашем наборе данных о заболеваниях полости рта.

5 94 65
Site
Normal Alchous Rebber Низкий риск OPMD High-Risk OPMD Oral Risk Oral Race 95 75 114 95995 4 7 7 7 7 7 7 7 7 7 7
слизистой оболочки полости рта 314 35 147 93 13
Gingive и альвеолы 36 17 22 9 11
Языка 136 56 41 28 23
Palate 119 13 16 3 11
дна полости рта 80 16 1 1 0
Итого 760 251 231 141

2.3.

Обработка данных

Для каждого случая наша система на основе CNN принимает одно устное изображение в качестве входных данных и выводит набор вероятностей каждого заболевания. Окончательный прогноз делается на основе класса с наивысшей оценкой достоверности. Чтобы упростить исследование для конечного пользователя, мы разработали специальное диагностическое программное обеспечение, написанное на Python и реализованное с использованием библиотек PyQT и PyTorch с открытым исходным кодом. Наша система на основе CNN включает в себя три этапа, как показано на рис. 5. Первый этап — это захват поражения пациента с помощью смартфона, создание цифрового изображения в соответствии с ранее описанным методом (см.2.1). Это также может легко сделать пациент с помощью других людей, используя ручную камеру смартфона. Изображения могут содержать ненужные объекты, поэтому на следующем шаге необходимо извлечь полезную информацию.

Рис. 5

Обзор предлагаемого метода классификации изображений заболеваний полости рта.

Следующий шаг — предварительная обработка. Обрезка центральной области используется для получения изображения ROI. Идентификация области интереса обычно требует просмотра областей изображения рядом с поражением для получения дополнительной информации, и это верно как для экспертов-людей, так и для алгоритмов глубокого обучения.Таким образом, мы устанавливаем ROI больше, чем центральная область сетки. Также при предварительной обработке используется нормализация данных, которая изменяет интенсивность пикселей и контрастность изображения. В частности, для каждого пикселя входного изображения мы сначала преобразуем его из диапазона [0, 255] в диапазон [0, 1,0]. Затем для каждого канала ввода вычитается среднее значение соответствующего канала, а затем делится на стандартное значение соответствующего канала. Чтобы уменьшить вычислительные затраты, мы изменяем размер изображений ROI до 512 × 512   пикселей для следующего процесса.

Последним шагом является классификация изображений на основе технологии CNN. Недавно представленная обучающая сеть с высоким разрешением (HRNet), которая предварительно обучена на ImageNet 26 , а затем точно настроена для всех весов в нашем устном наборе данных (обучение с переносом), используется для анализа изображений и вывода относительной вероятности. из пяти категорий.

На этапе обучения мы используем предложенный метод повторной выборки для расширения обучающей выборки. Подробности можно найти в следующем разделе.

2.4.

Повторная выборка

Чтобы смягчить эффект изменчивости изображений, полученных с помощью нашего метода захвата изображений, мы предлагаем метод повторной выборки. Процесс повторной выборки выполняется только на обучающем наборе.

Несмотря на то, что описанный выше метод захвата изображения примерно сосредоточен на каждом поражении, изображения ротовой полости могут быть получены под немного разными углами. Мы используем поворот изображения, чтобы компенсировать это. В частности, на каждом оральном изображении выполняются повороты в двух направлениях с шагом в одном θ градусов, а в другом — шагом −θ  град, как показано на рис.6(а). Затем мы обрезаем изображения до фиксированного размера, который включает только поражение и достаточную дискриминационную информацию. В экспериментах мы установили θ=15. Соответственно, три фрагмента размером H×W с центром в центрах изображения извлекаются в качестве обучающих выборок, а количество выборок в каждом классе составляет 1596, 525, 486, 267 и 105.

Рис. 6

Захваченное изображение расширяется за счет дополнительного смещения центра вращения. Зелеными квадратами отмечены обрезанные области, которые будут использоваться для создания патчей для обучения.Поверните изображение вокруг (а) его центра и (б) его смещенного центра.

Другая проблема заключается в том, что захваченный центр поражения может быть неточным на практике, мы перемещаем центр тяжести каждого поражения Nt раз, чтобы получить Nt точек в качестве приблизительного ядра, как показано на рис. 6(b). Затем мы используем описанный выше метод, чтобы снова извлечь локальные соседние области и, таким образом, еще больше увеличить количество выборок изображения. Учитывая дисбаланс размеров выборки в наборах данных (например, мы собрали примерно в 5 раз больше образцов язвы по сравнению с образцами рака), обучение глубоких сетей с помощью этих данных может вызвать положительное смещение в классе больших показателей.Чтобы компенсировать дисбаланс классов, существует множество решений, таких как использование методов изменения стоимости 27 , 28 для балансировки обучения и внедрения GAN 29 для создания выборок дефицита данных. Здесь мы устанавливаем разные значения Nt для одновременной обработки несбалансированных данных и смещения центра. Следует отметить, что мы выполняем вращение только на нормальных образцах и пропустили операцию повторной выборки со смещением. Для образцов язвы, OPMD низкого риска, OPMD высокого риска и рака мы установили Nt как 3, 3, 5 и 15 соответственно.Окончательный обучающий набор состоит из 1596 нормальных, 1575 афтозных язв, 1458 OPMD низкого риска, 1335 OPMD высокого риска и 1575 раковых заболеваний.

Предлагаемый метод повторной выборки имеет два основных отличия от обычной аугментации данных, которая увеличивает количество выборок в процессе обучения. Во-первых, стандартный подход с вращающимся увеличением, применимый при обучении, приведет к заполнению нулями или изменению размера изображения, тогда как наш метод не страдает от этой проблемы. Во-вторых, в нашем методе повторной выборки расширенное количество каждого класса выборок можно контролировать, устанавливая соответствующую скорость Nt и угол смещения θ.

2.5.

Сетевая архитектура и классификация

В этом исследовании мы рассматриваем проблему диагностики заболеваний полости рта как мультиклассовую классификацию. Пусть xi∈RH×W×3 будет входным изображением, содержащим классифицируемое поражение. Предсказанный класс ci для входного изображения xi с соответствующим выходом F(xi) из HRNet-W18 задается как

Eq. (1)

ci=argmax pj(F(xi)), где p(F(xi)) — функция softmax, определяемая уравнением

. (2)

p(F(xi))=exp(F(xi))∑k exp(F(xi)).

В последнее время обучение представлениям с высоким разрешением продемонстрировало большой потенциал в различных приложениях машинного зрения и связанных с ними сетях с высоким разрешением (HRNet V1, HRNet V2 и т. д.) 31 , 32 были предложены. HRNet использует обучение представлению с высоким разрешением для сохранения семантического богатства и пространственной точности. Результаты, представленные авторами, немного лучше, чем у существующих сетей, таких как ResNet50, 33 VGG16, 34 или DenseNet169 35 для классификации ImageNet. Поэтому мы используем HRNet-W18 в качестве CNN для диагностики заболеваний; W18 представляет ширину подсетей высокого разрешения на последних трех этапах соответственно.HRNet-W18 принимает изображения полости рта в качестве входных данных и выводит вероятность положительного результата заболевания. Чтобы упростить структуру сети и снизить вычислительные затраты, мы следуем за сетью в сетевой стратегии 36 , чтобы изменить представление головы HRNet-W18. В частности, мы уменьшаем выходные данные канала слоя свертки 1 × 1 с 2048 до 5. Затем мы используем глобальный слой объединения средних, который напрямую выводит логарифмическую вероятность (вместо схемы, в которой используется слой объединения средних значений, за которым следует полностью подключенный слой в качестве последнего слоя), как показано на рис.7.

Рис. 7

Иллюстрация модифицированной головки представления в HRNet-W18. Число в каждом слое — это количество каналов. BN — это сокращение от «пакетной нормализации», 30 FN — это сокращение от «полностью подключен».

3.

Результаты

3.1.

Сетевое обучение

Вычислительным оборудованием был настольный компьютер с процессором i5-8400, 24 ГБ ОЗУ и одним графическим процессором Nvidia GeForce GTX3090. HRNet-W18 был написан на Python, построен на PyTorch, 37 и работает на Ubuntu18.04 операционная система. HRNet была обучена с использованием метода контролируемого обучения, который минимизирует ошибку между предсказанной вероятностью и истинными метками класса. Для обучения с учителем использовалась обычная функция кросс-энтропийных потерь. Чтобы ускорить обучение и повысить эффективность обучения, мы использовали предварительную инициализацию из набора данных ImageNet. Мы не заморозили какие-либо части слоев и переобучили всю сеть. Начальная скорость обучения была установлена ​​​​на 0,001 и снижалась на 30% на эпохах 15, 30 и 45.Мы использовали SGD 38 с уменьшением веса 0,0001 и импульсом Нестерова 0,9. Обучение HRNet-W18 было применено с пятикратной стратегией перекрестной проверки в обучающем наборе и остановлено после фиксированного количества эпох (100) с размером мини-пакета 24. Мы выбрали единственную сеть с наилучшей производительностью в удержании. валидация устанавливается в качестве окончательной модели для тестирования.

Хотя собранные случаи использовались для создания дополнительных обучающих данных с помощью метода повторной выборки (описанного в разд.2.4) обучающие выборки по-прежнему были ограничены, что делало алгоритм глубокого обучения более склонным к переобучению и плохо обобщал новые примеры. Было продемонстрировано, что увеличение данных является эффективным методом повышения производительности CNN с ограниченной обучающей выборкой. 39 , 40 Мы также применили аугментацию общих данных, включая переворачивание влево-вправо, обрезку случайного изменения размера с коэффициентом от 0,7 до 1,0, произвольную яркость и контрастность с коэффициентом от 0,9 до 1.1, и для обучения модели. При тестировании мы не использовали какие-либо методы увеличения данных, поскольку они не оказывают существенного влияния на прогноз. Для получения окончательной оценки выполнялся только один прямой проход для каждого изображения, что делает подход потенциально более эффективным, чем подходы ансамбля.

3.2.

Метрики оценки

Для задачи классификации с несколькими метками мы использовали макросредние значения чувствительности, специфичности, точности и метрики F1 для оценки производительности моделей.Сначала мы измерили ошибки предсказания для каждого отдельного класса, а затем сообщили окончательные оценки, усредняя эти результаты с одинаковым весом. Пусть C будет количеством классов, эти показатели определяются как

  • (i) SEmro=1C∑i=1Csensitivityi, чувствительностьi=TPiTPi+FNi,

  • (ii) SPmacro=1C∑i=1Cspecificityi, Specificityi =TNiTNi+FPi,

  • (iii) Prmacro=1C∑i=1Cprecisioni, precisioni=TPiTPi+FPi,

  • (iv) F1=2×SEmacro×PrmacroSEmacro+Prmacro,

3 14, где чувствительность равна 9 правильный коэффициент обнаружения истинных положительных результатов в классе i, специфичностьi — правильный коэффициент обнаружения истинных отрицательных результатов в классе i, а точностьi — это соотношение между истинными положительными результатами и всеми положительными прогнозами в классе i.

3.3.

Эффективность метода захвата изображений и метода повторной выборки

Чтобы продемонстрировать эффективность нашего метода захвата изображений, мы сравнили производительность тех же двух сетей, в которых одна обучалась на изображениях с очагами в центре (наш собранный устный набор данных ), а другой обучался на изображениях без предварительного центрирования поражения (случайное позиционирование). Последние изображения взяты из другого набора данных, который мы создали из исходного набора данных методом имитации захвата изображений, который не требовал центрирования поражения.В частности, мы обрезали каждое исходное изображение в случайном месте, чтобы создать одно изображение меньшего размера, что привело к более широкому диапазону положений поражений на изображениях; затем мы изменили размер обрезанных изображений до размера 512×512 для обучения и тестирования сети. Мы обучили и протестировали HRNet-W18 на двух наборах данных, и результаты представлены в первых двух строках таблицы 3. Модель, обученная на наборе данных с центрированным правилом, достигла примерно на 8% более высокого балла F1, чем модель, обученная на наборе данных случайного позиционирования.Причина этого заключается в том, что наш метод захвата изображения может локализовать ROI (область поражения), а с помощью метода обрезки по центру CNN может сфокусироваться на различимых областях, а не на изображении всей полости, которое может иметь нерелевантные объекты, что приводит к лучшая производительность. Это демонстрирует, что предложенный метод захвата изображений эффективен для этой задачи обнаружения заболеваний полости рта.

Таблица 3

Сравнение эффективности классификации различными методами.

0 12792 12794843
Метод SEmacro SPmacro Prmacro F1
Случайное позиционирование .717 0,938 0,753 0,730
Центр позиционирования 0,786 0,954 0,790 0,787
Центр позиционирования + передискретизации 0,776 0,954 0,791 0,778
Позиционирование по центру + передискретизация 0,830 0,966
0,836

Чтобы качественно оценить эффективность метода повторной выборки, мы сначала использовали метод случайной передискретизации 41 для получения более малого класса. С другой стороны, мы использовали предложенный метод повторной выборки для расширения обучающей выборки. Мы повторно обучили HRNet-W18 на этих двух обучающих наборах, и результаты тестирования были показаны в третьей и четвертой строках таблицы 3.Мы заметили, что метод избыточной выборки снижает производительность модели, поскольку он подвержен избыточной подгонке классов меньшинства 42 , 43 , в то время как наш метод повторной выборки имеет улучшение примерно на 6% в балле F1. Результаты демонстрируют эффективность метода повторной выборки для повышения производительности сети при диагностике заболеваний полости рта.

3.4.

Сравнение с другими сетями

Мы оценили и сравнили несколько архитектур нейронных сетей, включая VGG16, ResNet50, DenseNet169 и HRNet-W18, в собранном нами наборе данных.Результаты представлены в таблице 4. Что касается количества параметров модели, HRNet-W18 имеет меньше параметров, чем VGG16 или ResNet50, но больше, чем DenseNet169. Хотя аннотированные обучающие данные были ограничены, все сетевые архитектуры показали хорошую производительность в этом наборе данных. Мы заметили, что HRNet-W18 достигла чувствительности 83,0%, специфичности 96,6%, точности 84,3% и балла F1 83,6%. Она превосходила другие модели по всем показателям, кроме специфичности, которая была почти такой же, как у DenseNet169.Это сравнение отражает эффективность представлений с высоким разрешением, изученных модифицированной сетью HRNet-W18 при классификации заболеваний полости рта.

Таблица 4

Сравнение эффективности классификации с использованием различных методов в наборе данных о заболеваниях полости рта.

Params Semacro SPMACRO Prmacro Prmacro F1
VGG16 568M 0,728 0.950 0.767 0.745
ResNet50 24M 0.770 0.954 0.788 0.771
DenseNet169 12M 0.810 0.965 0.835 0.817
HRNet-W18 17M 0.830 0.966 0.843 0,836

Матрица путаницы на рис. 8 была создана путем применения модели HRNet-W18 к тестовому набору. В нем сообщалось о количестве правильно классифицированных случаев и ошибочно классифицированных случаях по пяти классам. Эффективность каждого класса указана в таблице 5. Результаты показали, что F1 составляет 95,0% для нормального класса по сравнению с более низкими баллами F1 для других классов, что подчеркивает тот факт, что классы с небольшими выборками, как правило, более проблематичны для классификации.Кроме того, мы заметили, что предлагаемый метод имеет относительно более высокую частоту ошибок для поражений с низким и высоким риском, чем для других классов. Результаты понятны, так как проявления этих двух заболеваний очень похожи, и их также трудно различить менее опытным стоматологам. 46

Рис. 8

Матрица путаницы для многоклассовой производительности для предлагаемого метода. Номера правильных классификаций показаны на диагонали. Количество неправильных классификаций из-за гипердиагностики и гиподиагностики находится в верхнем правом треугольнике и нижнем левом треугольнике соответственно.

Таблица 5

Диагностическая мультиклассовая эффективность предлагаемого метода. Соответствующие AUC были рассчитаны в каждом случае с использованием стратегии «один против другого»44. Доверительные интервалы (ДИ) AUC при 95% были рассчитаны методом Делонга45. Нормальный 0,949 (от 0,929 до 0,970) 0,951 Язва 0,9077 0,9074 0,9073 0,

887

Низкий риск 0.811 (0,766 до 0,857) 0.697 999 9 9 0.851 (0,808 до 0,893) 0,745 0.745 Рак 0,946 (0,923 до 0,970) 0,900

3.5.

Визуализация

Чтобы лучше понять диагностику CNN, мы представили метод отображения активации классов 47 в нашу сеть HRNet-W18 для визуализации прогнозов.Сначала мы удалили последний слой (слой среднего пула) HRNet-W18, а затем повысили дискретизацию выходных карт активации класса (посредством 16-кратной линейной интерполяции) до исходного размера изображения. Выделенные области изображений показали, что эти области были «важными» для прогнозов модели. Как показано на рис. 9, большинство областей поражения были правильно локализованы, что свидетельствует о том, что окончательные диагнозы основаны на определении протяженности объектов.

Рис. 9

Примеры оральных изображений с визуализацией.На тепловых картах выделяются классовые области, используемые для устной классификации.

4.

Обсуждение

На рис. 10 показаны некоторые случаи отказа. Случай OPMD с высоким риском [рис. 10(а)] ошибочно определяется как язва. Хотя процент этой ошибочной классификации моделью невелик (всего 1,9%), таких пропущенных случаев следует избегать, поскольку неправильное распознавание может привести к ошибочному диагнозу, пропуску оптимального окна лечения или даже к летальному исходу. На рисунке 10(b) представлен пример язвенного поражения, ошибочно классифицированного как OPMD высокого риска.Большая площадь язвы, неправильно классифицированная алгоритмами, также легко диагностировалась стоматологами из-за сходного размера поражения. Другой случай OPMD высокого риска [рис. 10(c)] ошибочно определяется как рак. На самом деле, в некоторых случаях существует внутренняя трудность отличить OPMD высокого риска от рака, поэтому для дальнейшего подтверждения часто требуется биопсия. Это можно считать менее критичным, чем в первом примере, поскольку ошибочно классифицированное поражение было либо раковым, либо предраковым по своей природе.Изображение ретикулярного красного плоского лишая полости рта [показано на рис. 10(d)], которое пострадало от отраженного света, имеет характеристики, сходные с нормальными тканями, и алгоритм глубокого обучения недооценивает его как нормальный. Кроме того, причиной всех этих неправильных классификаций может быть то, что обучающие данные не включают многие из этих видов изображений. Обучение на большем количестве этих сложных образцов, вероятно, повысит эффективность классификации.

Рис. 10

Репрезентативные примеры неудачных случаев: (a) OPMD высокого риска, ошибочно классифицированного как язвенное поражение; (b) язвенное поражение, ошибочно классифицированное как OPMD высокого риска; (c) OPMD высокого риска, ошибочно классифицированные как злокачественные; и (d) OPMD с низким уровнем риска, ошибочно классифицированный как нормальный.

Наше исследование имеет некоторые ограничения. Одним из основных ограничений является ретроспективное исследование со всеми присущими ему ограничениями. Другим ограничением является то, что предлагаемый метод проверяется на конечных оральных изображениях. (1) Изображения заболеваний полости рта были получены только из одной больницы, а пациенты прибыли из близлежащих городов. Требуются дополнительные данные из дополнительных больниц и провинций, чтобы проверить применимость нашего подхода к другим группам пациентов. (2) Изображения в экспериментах в основном были получены с четырех разных камер смартфонов.Хотя результаты многообещающие, предложенный метод не полностью проверен на других камерах смартфонов. (3) В нашем исследовании оценивается только пять категорий, и многие другие типы заболеваний полости рта не включены. Тем не менее, мы считаем, что производительность модели может быть гарантирована после использования других видов изображений полости рта от нескольких пользователей или телефонов для обучения сети, поскольку сеть может узнать о появлении вариантов заболевания. Кроме того, для полного установления рабочих характеристик нашей системы диагностики ИИ по-прежнему требуется дальнейшая проверка других типов заболеваний полости рта (таких как кандидозный стоматит) и различных камер смартфонов.Таким образом, наш алгоритм может быть полезен там, где у врача меньше опыта, или для самодиагностики пациента, но вряд ли он станет инструментом для клинических специалистов.

Мы продолжим собирать больше изображений полости рта для будущих исследований. Мы считаем, что большее количество данных значительно улучшит результаты, поскольку большие наборы данных являются ключом к алгоритмам глубокого обучения. Между тем, наше внимание будет сосредоточено на том, как объединить характеристики внешнего вида поражений и мощную обучающую способность сверточных нейронных сетей для более надежной, эффективной и точной классификации захваченных изображений.

5.

Выводы

В этом исследовании мы решаем задачу автоматической идентификации заболеваний полости рта на изображениях в белом свете, сделанных смартфоном, и представляем простой, но эффективный подход к сбору изображений и метод повторной выборки, использующий преимущества алгоритмов глубокого обучения. . Мы оцениваем производительность недавнего HRNet, предварительно обученного в ImageNet, на наших собранных изображениях с пятью категориями заболеваний. Результаты показывают, что наши методы могут эффективно улучшить прогнозирование ранней диагностики рака с использованием фотографического изображения со смартфона.

Раскрытие информации

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Эта работа была поддержана Фондом естественных наук провинции Чжэцзян, Китай (№ LQ20h240007).

Доступность кода, данных и материалов

Исходный код доступен по адресу https://github.com/hplin6/oral_disease_diagnosis. Данные и материалы, лежащие в основе результатов, изложенных в этой статье, в настоящее время не являются общедоступными, но могут быть получены от авторов по обоснованному запросу.

Ссылки

1. 

H. Sung et al., «Глобальная статистика рака 2020: оценки GLOBOCAN заболеваемости и смертности во всем мире для 36 видов рака в 185 странах», CA Cancer J. Clin., 71 (3), 209 –249 (2021). https://doi.org/10.3322/caac.21660 Академия Google

4. 

W. Sungwalee et al., «Сравнение выживаемости больных раком полости рта до и после запуска схемы всеобщего покрытия в Таиланде», Азиатский пакет.Дж. Рак Прежний, 17 лет (7), 3541 –3544 (2016). Google ученый

5. 

Т. С. Дантас и др., «Влияние уровня образования, стадии и гистологического типа на выживаемость рака ротовой полости в бразильской популяции: ретроспективное исследование 10-летнего наблюдения». Медицина (Балтимор), 95 (3), е2314 (2016). https://doi.org/10.1097/MD.0000000000002314 Академия Google

9. 

Б. Аяз и др., «Клинико-патологическое исследование рака полости рта», Биомедика, 27 29 –32 (2011).Google ученый

13. 

Ф. Дост и др., «Ретроспективный анализ клинических особенностей злокачественных и потенциально злокачественных заболеваний полости рта с дисплазией эпителия полости рта и без нее». Оральный сург. Оральный мед. Орал Патол. Оральная радиол., 116 (6), 725 –733 (2013). https://doi.org/10.1016/j.oooo.2013.08.005 Академия Google

15. 

E.C. Yang et al., «Неинвазивные диагностические дополнения для оценки потенциально предраковых поражений эпителия полости рта: текущие ограничения и будущие направления». Оральный сург.Оральный мед. Орал Патол. Оральная радиол., 125 670 –681 (2018). https://doi.org/10.1016/j.oooo.2018.02.020 Академия Google

17. 

П. Чандл и др., «Сравнение точности алгоритмов чтения человека и алгоритмов машинного обучения для классификации пигментных поражений кожи: открытое международное диагностическое исследование в Интернете». Ланцет Онкол., 20 лет (7), 938 –947 (2019). https://doi.org/10.1016/S1470-2045(19)30333-X LOANBN 1470-2045 Академия Google

21.

Б. Сонг и др., «Автоматическая классификация двухмодальных изображений дисплазии полости рта и злокачественных новообразований на основе смартфона с использованием глубокого обучения», Биомед. Опц. Экспресс, 9 (11), 5318 –5329 (2018). https://doi.org/10.1364/BOE.9.005318 BOEICL 2156-7085 Google Scholar

22. 

R.D. Uthoff et al., «Двухмодальное устройство для скрининга рака ротовой полости на основе смартфона на базе смартфона с классификацией нейронной сети для сообществ с ограниченными ресурсами», PLoS Один, 13 (12), e0207493 (2018).https://doi.org/10.1371/journal.pone.0207493 POLNCL 1932-6203 Google Scholar

25. 

Великала Р.А. и др., «Точная настройка архитектуры глубокого обучения для раннего выявления рака ротовой полости», в математической и вычислительной онкологии, 25 –31 (2020). Google ученый

26.

Д. Цзя и др., «ImageNet: крупномасштабная иерархическая база данных изображений», в проц. конф. вычисл. Вис. Распознавание образов., 248 –255 (2009).Google ученый

27. 

с. Элькан, «Основы экономичного обучения», в проц. Совместная конф. Артиф. Интел., 973 –978 (2001). Google ученый

28. 

Лин Т.Ю. и др., «Потеря фокуса при обнаружении плотных объектов», в проц. конф. вычисл. Вис. Распознавание образов., 2980 –2988 (2017). Google ученый

29.

И. Дж. Гудфеллоу и др., «Генеративно-состязательные сети». Доп.Нейронная инф. проц. систем, (НИПС), 2672 –2680 (2014). Google ученый

30. 

С. Иоффе и К. Сегеди, «Пакетная нормализация: ускорение глубокого обучения сети за счет уменьшения внутреннего ковариатного сдвига», в проц. Междунар. конф. Мах. Учить. (ИКМЛ), (2015). Google ученый

31.

К. Сан и др., «Представления с высоким разрешением для маркировки пикселей и областей», (2019). Google ученый

32.

Дж. Ван и др., «Глубокое обучение представлениям с высоким разрешением для визуального распознавания», в IEEE Trans. Анальный узор. Мах. Интел., 1 –1 (2020). Google ученый

33. 

К. Он и др., «Глубокое остаточное обучение для распознавания изображений», в проц. конф. вычисл. Вис. Распознавание образов., 770 –778 (2016). Google ученый

34.

К. Симонян и А. Зиссерман, «Очень глубокие сверточные сети для крупномасштабного распознавания изображений», в Междунар.конф. Учить. Представитель, (ICLR) , (2014). Google ученый

35. 

Г. Хуан и др., «Плотно связанные сверточные сети», в проц. конф. вычисл. Вис. Распознавание образов., 4700 –4708 (2017). Google ученый

36. 

М. Лин, К. Чен и С. Ян, «Сеть в сети», (2013). Google ученый

37. 

А. Пашке и др., «Автоматическое дифференцирование в PyTorch», в адв.Нейронная инф. проц. Сис. (НИПС), (2017). Google ученый

40. 

А. Крижевский, И. Суцкевер и Г. Э. Хинтон, «Классификация ImageNet с помощью глубоких сверточных нейронных сетей», в адв. Нейронная инф. проц. Сис. (НИПС), 1097 –1105 (2012). Google ученый

42.

Д. Миз, А. Дж. Винер и А. Буджа, «Усиленные деревья классификации и оценка вероятности/квантиля класса», Дж. Мах. Учить. Рез., 8 409 –439 (2007).Google ученый

43. 

Ю. Цуй и др., «Сбалансированные по классам потери на основе эффективного количества выборок», в проц. конф. вычисл. Вис. Распознавание образов., 9260 –9269 (2009). Google ученый

45. 

Э. Р. Делонг, Д. М. Делонг и Д. Л. Кларк-Пирсон, «Сравнение площадей под двумя или более коррелированными кривыми рабочих характеристик приемника: непараметрический подход», Биометрия, 44 837 –845 (1988).https://doi.org/10.2307/2531595 BIOMB6 0006-341X Академия Google

47. 

Б. Чжоу и др., «Изучение глубоких функций для различительной локализации», в проц. конф. вычисл. Вис. Распознавание образов., 2921 –2929 (2016). Google ученый

Биография

Хуйпин Линь получила степень магистра стоматологии в Чжэцзянском университете в 2012 году, где она в настоящее время работает над докторской диссертацией в области стоматологии. Ее текущие исследовательские интересы включают биостатистику и интеллектуальную диагностику на медицинских изображениях.

Ханшен ​​Чен получил докторскую степень в области науки и техники управления в Технологическом университете Чжэцзян в 2020 году. В настоящее время он преподает в Колледже интеллектуального транспорта Чжэцзянского института коммуникаций, Ханчжоу, Китай. Его текущие исследовательские интересы включают машинное обучение и компьютерное зрение.

Люси Венг получила степень магистра стоматологии в Чжэцзянском университете в 2014 году, где она в настоящее время работает над докторской диссертацией в области стоматологии.Ее текущие исследования сосредоточены на скрининге и диагностике заболеваний слизистой оболочки полости рта.

Цзяци Шао получила степень магистра стоматологии в Чжэцзянском университете в 2019 году, где она в настоящее время работает над докторской диссертацией в области стоматологии. Ее текущая область исследований — ранняя диагностика рака ротовой полости.

Джун Линь получила докторскую степень по стоматологии в Кильском университете, Киль, Германия, в 2011 году. В настоящее время она является руководителем докторантуры в Медицинской школе Чжэцзянского университета.Ее области исследований включают медицинскую визуализацию, биоматериалы и регенеративную медицину.

Система распознавания изображений для клеток рака полости рта

Плоскоклеточная карцинома полости рта (OSCC) — распространенный тип рака полости рта. Несмотря на их большое влияние на смертность, достаточные методы скрининга для ранней диагностики OSCC часто недостаточно точны, и поэтому OSCC в основном диагностируют на поздней стадии. Раннее обнаружение и точное распознавание OSCC приведет к улучшению результатов лечения и снижению частоты рецидивов после хирургического лечения.Внедрение технологии распознавания изображений в процесс постановки диагноза врачом может значительно улучшить диагностику рака, уменьшить индивидуальные различия и эффективно помочь врачам в постановке правильного диагноза заболевания. Цель этого исследования состояла в том, чтобы оценить точность и надежность метода, основанного на глубоком обучении, для автоматического определения степени рака на оцифрованных изображениях полости рта. Мы представляем новый метод, который использует различные варианты сверточной нейронной сети (CNN) для обнаружения рака в клетках полости рта.Наш подход включает в себя обучение классификатора на разных изображениях из набора данных imageNet, а затем независимую проверку на разных раковых клетках. Изображение сегментировано с использованием методов многомасштабной морфологии для подготовки к анализу и извлечению клеточных признаков. Метод обнаружения морфологического края используется для более точного выделения цели, площади ячейки, периметра и других многомерных признаков с последующей классификацией с помощью CNN. Для всех пяти вариантов CNN, а именно VGG16, VGG19, InceptionV3, InceptionResNetV2 и Xception, потери в поезде и стоимости составляют менее 6%.Экспериментальные результаты показывают, что метод может быть эффективным инструментом для диагностики OSCC.

1. Введение

С развитием современного общества заболеваемость раком ротовой полости в мире с каждым годом увеличивается. Последняя всемирная перепись населения показала, что злокачественные опухоли полости рта и глотки занимают шестое место среди всех новообразований [1]. Как смертельное заболевание, рак ротовой полости [2] имеет 5-летнюю выживаемость всего 30-40% (рак губы может достигать 80%) [3]. Благодаря постоянным усилиям специалистов современная технология лечения злокачественных новообразований полости рта значительно усовершенствована [4].Тем не менее, с точки зрения выживаемости таких пациентов за последние несколько десятилетий не произошло значительного улучшения. Это в основном связано с отсутствием общего понимания рака полости рта, что приводит к тому, что ранний рак полости рта часто не привлекает достаточного внимания со стороны пациентов и задерживает наилучшую возможность лечения, что приводит к необратимым последствиям. Поэтому раннее выявление, профилактика и лечение заболеваний полости рта, особенно рака полости рта, важны для повышения эффективности лечения рака и лечения опухоли [5].

При патологической диагностике раковых опухолей обычно наблюдают и качественно описывают морфологию клеток. Основным методом исследования морфологии клеток является хранение ультратонких срезов под микроскопом и изучение клеточных структур. Однако этот традиционный метод анализа в основном основан на большом количестве наблюдений и качественных описаний [6]. С одной стороны, этот метод требует большого объема контрольных работ и обеспечивает низкую эффективность контроля. Это также может привести к неправильной идентификации и повлиять на точную диагностику заболевания.С другой стороны, анализ и распознавание патологических изображений ограничены опытом врача и визуальным разрешением изображений [7]. Легко произвести субъективные факторы и не иметь научной и объективной количественной основы.

Цифровая обработка изображений [8] относится к использованию цифровых компьютеров и других связанных цифровых технологий для применения определенных операций и обработки к изображениям для достижения определенной намеченной цели. Например, чтобы сделать выцветшие фотографии четкими, извлечь значимые характеристики клеток из медицинских микрофотографий и т. д., цифровая обработка изображений может быть разделена на несколько аспектов: оцифровка изображения, хранение информации об изображении, обработка информации об изображении, вывод информации об изображении и отображение [9]. ].

Получение информации об изображении при цифровой обработке изображений — это изучение того, как представить изображение в виде набора чисел (цифровые фотографии) и ввести их в компьютер или цифровое устройство для анализа и обработки. Этот процесс преобразования изображения называется оцифровкой [10]. В каждом пикселе изображения производится выборка яркости изображения и квантуется для получения целочисленного значения, представляющего его яркость и темноту в соответствующей точке изображения [11]. После завершения преобразования для всех пикселей изображение представляется в виде целочисленной матрицы как объект компьютерной обработки.В изображении каждый пиксель имеет два атрибута: положение и оттенки серого. Положение определяется координатами точки выборки в строке сканирования, также называемой строкой и столбцом, а целое число, представляющее яркость и темноту положения пикселя, называется оттенками серого. Наиболее распространенными цифровыми приборами для обработки изображений являются цифровые камеры, сканеры летающих пятен и микроденситометры.

Цифровая патология – процесс оцифровки изображений тканей и слайдов.Этот процесс оцифровки может обеспечить более эффективное хранение, визуализацию и патологический анализ тканей и потенциально может повысить общую эффективность рутинного рабочего процесса диагностики патологии. Основные методы обработки цифровой патологии раковых клеток включают в себя эффективную предварительную обработку, сегментацию изображений, извлечение признаков и методы классификации. Он основан на морфологии, структуре, текстуре и других характеристиках клеток, отраженных в патологической картине под микроскопом, для определения стандарта определения доброкачественных и злокачественных опухолей, позволяющего отличить раковые клетки от нормальных клеток [12].Извлечение эффективных параметров признаков и повышение скорости распознавания является основным направлением обработки цифровых изображений клеток. При анализе микроскопических изображений клеток [13] одним из часто используемых методов является математическая морфология [14]. Математическая морфология подходит для анализа цифровых изображений. Легко получить информацию, такую ​​​​как размер, форма, направление и связность цели, которая может извлекать морфологические признаки. Эффект операций открытия и закрытия для вырезания пиков и заполнения впадин очень подходит для шумоподавления и сегментации изображений ячеек.

Остальная часть бумаги упорядочена следующим образом. В разделе 2 описаны различные методы распознавания рака ротовой полости. Раздел 3 содержит подробное обсуждение предлагаемого метода. Результаты представлены в разделе 4, а заключение дано в разделе 5.

2. Родственные работы

С развитием количественного анализа изображений и появлением методов распознавания изображений и их широким применением в медицинской диагностике патология произвела новая ветвь исследования компьютерного распознавания изображений [15].Методы распознавания изображений внедряются в процесс постановки диагноза врачом. Технология компьютерного анализа изображений и распознавания используется для изучения характеристик патологической морфологии и структуры родственных тканей и обсуждения ее применения в диагностике, классификации и прогнозировании [16]. Методы обработки изображений могут повысить точность распознавания и снизить трудоемкость и нагрузку на человека, устранить ошибочный диагноз и пропущенный диагноз, вызванные психологической приспособляемостью ручного обнаружения и усталостью, и в значительной степени помочь врачу в постановке правильного диагноза. .

В последнее время, с постепенным развитием компьютеризированной технологии распознавания опухолевой патологии, зарубежные специалисты указали на ограниченность выбора фиксированных порогов при выделении единиц из сложных нерегулярных фонов при сегментации патологических микроскопических изображений и предложили пороговую теорию изменения, которая достигла хорошие результаты. Немецкие эксперты предложили метод классификации бинарной пространственной организации [17] в 2003 году, используя стохастические геометрические процессы для нелинейного детерминистического анализа и искусственных нейронных сетей (ИНС) для помощи в диагностике рака молочной железы, рака поджелудочной железы и рака предстательной железы. было достигнуто.

Что касается продуктов, Image-Pro Plus [18], разработанное US Media Cybernetics, представляет собой полное 32-разрядное системное программное обеспечение для обработки и анализа изображений, которое представляет собой новейший международный уровень. Программное обеспечение подходит для профессиональных систем обработки изображений в медицине, научных исследованиях, промышленности и других областях. Однако, поскольку это коммерческое программное обеспечение общего назначения, оно может предоставлять соответствующие индикаторы данных только для справки врачей.

В последние годы система экспертной диагностики искусственной нейронной сети стала центром исследований в стране и за рубежом.Применение этой технологии в области стоматологии также дало лучшие результаты. Хунг и др. [19] использовали искусственную нейронную сеть для прогнозирования заболеваемости раком ротовой полости в группах высокого риска. В этом исследовании 2027 взрослых получили анкету о курении, употреблении алкоголя и других вредных привычках, а также осмотр профессионального стоматолога для определения их окончательного диагноза. Данные 1662 взрослых были использованы в качестве обучающих данных для трехслойной нейронной сети с прямым распространением и обратным распространением, а данные остальных 365 человек использовались для проверки эффективности обученной нейронной сети.Чувствительность и специфичность ручного скрининга составила 74% и 99% соответственно, тогда как чувствительность и специфичность результатов нейросетевого детектирования — 80% и 77% соответственно. Поэтому более высокая чувствительность нейронной сети, используемой при скрининге групп высокого риска рака ротовой полости, имеет определенное практическое значение. Тем не менее, его низкая специфичность требует дальнейшего изучения, чтобы снизить частоту ложноположительных результатов. В 2005 г. Кампизи и соавт. [20] применили нечеткие нейронные сети для изучения экспрессии цитокинов при раке полости рта и предраковых состояниях.Он обнаружил экспрессию BCL-2, сурвивина и ядерного антигена пролиферирующих клеток в очагах поражения 8 пациентов с оральной лейкоплакией, инфицированных вирусом папилломы человека, и применил нечеткую нейронную сеть для определения корреляции между цитокинами, как упоминалось ранее, и вирусом папилломы человека. Результаты показали, что сурвивин связан с экспрессией ядерного антигена пролиферирующих клеток (PCNA) и вирусом папилломы человека в очагах лейкоплакии. Кроме того, нечеткая нейронная сеть может быть использована в качестве надежного и высокоточного исследовательского инструмента при исследовании небольшого размера выборки.Яременко и др. [21] предложили метод автоматического распознавания изображений, основанный на изображениях конфокальной лазерной эндомикроскопии полости рта, используя традиционные методы распознавания образов с несколькими локальными бинарными образами и статистикой гистограмм, а также использовали метод случайного леса (RF) и метод опорных векторов (SVM) для классификация. Роднер и др. [22] показали, что распознавание изображений на основе сегментации может применяться для распознавания рака на изображениях конфокальной лазерной эндомикроскопии области головы и шеи.Танривер и др. [23] исследовали применение методов обработки изображений для выявления рака ротовой полости. Была предложена двухэтапная модель глубокого обучения для выявления рака ротовой полости и классификации обнаруженной области на три типа доброкачественной карциномы ротовой полости с потенциально злокачественными заболеваниями с помощью сети классификатора второго этапа. Ким и др. [24] разработали метод прогнозирования выживаемости, основанный на глубоком обучении, для пациентов с плоскоклеточным раком полости рта (SCC) и подтвердили его эффективность. Предложенный метод сравнивали со случайным лесом выживания (RSF) и моделью пропорциональных рисков Кокса (CPH), и предложенная модель показала наилучшую производительность среди трех моделей.Ценг и др. [25] применили машинное обучение для прогнозирования рака полости рта у 674 пациентов. Хотя метод игнорировал элемент времени, он был основан на основном наборе данных о пациентах с раком полости рта на сегодняшний день и представляет собой выдающуюся раннюю попытку применить машинное обучение для прогнозирования выживаемости при раке полости рта.

В этом исследовании разработана модель распознавания изображений для точного прогнозирования рака ротовой полости. Морфологический анализ и расчеты были выполнены на сегментированных участках клеток с использованием методов машинного обучения, таких как сверточная нейронная сеть, для выделения отчетливых и характерных признаков раковых клеток с последующим прогнозированием рака в этих клетках.Экспериментальные результаты показывают, что предложенный метод эффективен в прогнозировании рака и может быть эффективным инструментом для диагностики рака ротовой полости.

3. Методология
3.1. Классификация и распознавание изображений раковых клеток

Сегментация изображения относится к процессу разделения изображения на области с различными характеристиками и выделения интересующей цели. Это ключевой этап обработки изображения и дальнейшего анализа изображения. Это метод низкоуровневых вычислений и самый основной и важный исследовательский процесс в области компьютерного зрения.Качество результатов сегментации изображений напрямую влияет на качество последующего анализа, распознавания и интерпретации. На основе эффективного метода сегментации изображения можно выполнить извлечение признаков и измерение параметров целевого изображения, выполняя анализ изображения более высокого уровня. Поэтому исследования сегментации изображений имеют большое значение в области обработки изображений. В этой статье основные морфологические характеристики ядра клеток используются для определения того, является ли клетка злокачественной или нормальной.Таким образом, основная проблема идентификации раковых клеток состоит в том, чтобы отделить ядро ​​от фона посредством сегментации и обработки и идентифицировать ядро.

Мы используем понятие множества, чтобы дать следующее определение сегментации изображения:

Пусть множество представляет собой всю область изображения, и сегментация может быть выполнена путем деления на непустые подмножества. Подобласть может быть представлена ​​в виде .

Предположим, что данная мера однородности является бинарной логической функцией.Если определенная область соответствует определенной однородности, ее значение равно ; в противном случае это . Эти непустые подмноки удовлетворяют следующие пять условий, приведенные в таблице 1.


9079

2
1.
2.
3
4
5. — связанная область, .

Приведенные выше условия не только определяют сегментацию, но и определяют ее выполнение.Сегментация изображения всегда осуществляется в соответствии с некоторыми критериями сегментации. Условие 1 и Условие 2 указывают на то, что правильные критерии сегментации должны быть применимы ко всем областям и всем пикселям, в то время как Условие 3 и Условие 4 указывают на то, что разумные критерии сегментации должны помочь определить репрезентативные характеристики пикселей в каждой области изображения, а Условие 5 указывает на завершение. сегментация. Критерии должны прямо или косвенно иметь определенные требования или ограничения на связность пикселей в области.

После удаления шумов изображения целостность и связность мишени хорошо сохраняются. В настоящее время микроскопическое изображение клетки состоит только из двух частей: фона и ядра, и оттенки серого в этих двух частях сильно различаются. Цель может быть сегментирована с помощью относительно простого метода пороговой сегментации, и цель состоит в том, чтобы эффективно определить порог. Существует множество методов пороговой сегментации; в этом исследовании используется наиболее типичный метод порога максимальной межклассовой дисперсии.Основной принцип заключается в разделении гистограммы изображения на две группы при определенном пороге и определении порога, когда дисперсия между разделенными двумя группами принимает максимальное значение. Алгоритм кратко представлен ниже (k — пороговое значение).

(1) Вероятность появления фона и цели вычисляется как .
(2) Средний уровень серого в кластере определяется как .
(3) Дисперсия двух типов кластеров и дисперсия между кластерами следующие: , , .
(4) Чтобы удовлетворить минимальной разнице между кластерами и максимальной разнице между кластерами, мы можем найти такое, которое удовлетворяет максимуму.

Используя шаги Алгоритма 1, можно получить результат сегментации изображения, как показано на рисунке 1. Мы можем видеть, что обработанное изображение сохраняет основную форму ядра-мишени, и ядро ​​выделяется автоматический порог.После удаления подозрительное ядро ​​клетки можно извлечь более точно.


Нормальное ядро, цитоплазма и фон цитоплазмы рассматриваются как нецелевые области и отбрасываются. Подозрительные ядра и клеточные скопления сохраняются лучше, но в сохранившейся области есть несколько отверстий. Следующее просто заполнит полость, чтобы облегчить индивидуальную обработку клеточного ядра и извлечь соответствующие характеристические параметры.

Для полного извлечения ядра и точного расчета параметров эти отверстия необходимо заполнить.Мы используем принцип черной области, чтобы заполнить пустоты в ядре. Конкретный метод заключается в том, чтобы сначала преобразовать изображение в бинарную форму, а затем выполнить обратную обработку, чтобы исходная пустая область стала черной, а зародышевая область стала белой. Площадь черной области на перевернутом изображении вычисляется за счет отверстия. Поскольку площадь обычно очень мала, мы можем выбрать порог области CS (количество пикселей). Когда площадь черной области меньше, чем CS, мы можем сохранить область и, наконец, сделать сохраненную область похожей на резервное изображение с заливкой отверстий цветом.Подобные цвета выбираются на основе эмпирических значений, чтобы ядро ​​клетки более полно соответствовало своей первоначальной форме. После эксперимента значение Cs равно 200. Полученный результат заполнения показан на рисунке 2.


3.2. Модель глубокого обучения

Глубокое обучение — это тип машинного обучения, а машинное обучение — необходимый путь для реализации искусственного интеллекта. Технология глубокого обучения широко используется в таких задачах, как обработка изображений и речи.Традиционные методы машинного обучения используют функции извлечения изображений с использованием дескрипторов глобальных функций, таких как гистограммы ориентированных градиентов, локальные двоичные шаблоны и цветовые гистограммы. Это созданные вручную функции, требующие знаний на уровне предметной области. Вместо того, чтобы использовать функции, созданные вручную, глубокие нейронные сети неявно извлекают функции из изображений в иерархическом порядке. Нижние слои изучают функции низкого уровня, такие как края и углы, тогда как средние слои изучают цвет, форму и т. д., а более высокие слои изучают функции высокого уровня, представляющие объект на изображении.

Среди глубоких нейронных сетей сверточная нейронная сеть является самой известной сетевой структурой для обработки изображений в глубоком обучении. Сверточная нейронная сеть (CNN) может характеризовать обучение и может классифицировать входную информацию в соответствии с ее иерархической структурой, поэтому ее также называют «трансляционно-инвариантной искусственной нейронной сетью». Мы использовали различные модели CNN для прогнозирования изображений, такие как Visual Geometry Group с 16 слоями (VGG16), VGG19, InceptionV3, Xception и Inception_resnet_v2.VGGNet — одна из первых групп отличных нейронных сетей. Первоначально VGGNet использовалась для анализа и сравнения изображений рака яичников с AlexNet, GoogLeNet и т. д., и на этой основе была предложена новая сеть с более высокой точностью [25]. Это показывает применимость этой модели для распознавания изображений, связанных с раком. В этом исследовании мы использовали CNN для распознавания раковых клеток полости рта. Предлагаемая модель сверточной нейронной сети VGG состоит из 13 слоев сверточных слоев и 3 слоев полностью связанных слоев.Есть три основных функции: маленькое ядро ​​свертки, маленькое ядро ​​пула и полносвязная трансконволюция. Требуемый размер входных данных изображения составляет 224 × 224 × 3, что имеет меньше параметров и снижает сложность модели. Многослойная структура свертки может выполнять больше нелинейных преобразований, чем один слой свертки, что способствует извлечению признаков изображения высокого уровня. InceptionV3 не только является хорошо известной сетью CNN, но и много раз использовалась в исследованиях интеллектуального распознавания других видов рака.InceptionV3 состоит из 5 сверточных слоев, 3 объединяющих слоев, 1 полносвязного слоя и 11 композиций начального модуля. InceptionV3 имеет три основные функции; во-первых, он использует ядра свертки разного размера, которые могут извлекать разные функции и объединять их. Вторая пара ядер свертки разного размера использует разное заполнение для создания выходной карты объектов. Третья свертка используется для слияния разных каналов карты признаков. Основная идея состоит в том, чтобы увеличить глубину и ширину сети, чтобы улучшить производительность сети CNN и избежать чрезмерной потери извлеченных функций изображения.InceptionV3 хорошо устраняет недостатки серии VGG. InceptionV3 расширяет сеть и использует ядра свертки разного размера для ее деконволюции.

Как ResNet, так и Xception являются хорошо известными сетями в области глубокого обучения и широко используются в области обнаружения, сегментации, распознавания и других областях. ResNet — это модель остаточной сети с отличной производительностью. Он строит глубокую нейронную сеть с помощью остаточных соединений, что позволяет избежать исчезновения градиента и взрыва градиента, вызванного глубокими соединениями, и может эффективно решить ситуацию, когда уровень точности имеет тенденцию быть постоянным на более позднем этапе обучения, но ошибка обучения становится больше. .Xception — это архитектура CNN, полностью основанная на глубоко разделенных сверточных слоях. Поскольку его архитектура представляет собой линейный стек глубоко разделяемых сверточных слоев с остаточными связями, архитектура более удобна в определении и модификации. InceptionResNetV2 является ранней модификацией модели InceptionV3 и сочетается с некоторыми идеями ResNet благодаря наличию ярлыков в своей модели, позволяет обучать более глубокие сети, а модуль Inception может быть упрощен. Точность этой модели более выгодна, чем InceptionV3, ResNet152 и так далее.

4. Экспериментальные результаты

Поскольку текущая база данных по распознаванию рака ротовой полости не имеет более полной или авторитетной версии, чтобы лучше обеспечить ориентир для изучения этой проблемы, в этой статье были расширены данные аналогичной базы данных проекта по GitHub [26] и использовал его в качестве набора данных проекта. Исходный образец набора данных включает две категории изображений: нормальные и раковые. В исходном наборе данных Class0 — это обычное изображение образца полости рта, а число до улучшения данных — 150.Класс 1 представляет собой изображение образца больного раком ротовой полости, а число перед усилением данных равно 25. На рисунках 3 и 4 показаны нормальные и больные изображения образцов клеток полости рта. Можно заметить, что два типа изображений демонстрируют почти одинаковые узоры при наблюдении невооруженным глазом. Следовательно, более важно использовать интеллектуальные методы вспомогательной диагностики для дифференциации нормальных и болезненных изображений.



В этом эксперименте мы использовали предварительно обученную сеть в наборе данных imageNet для обучения миграции, за которой следовали несколько слоев полностью связанных слоев.Трансферное обучение — это метод машинного обучения, который переносит знания из одной области в другую, чтобы целевая область могла достичь лучших результатов обучения. Поскольку для модели глубокого обучения требуется поддержка большого объема обучающих наборов данных, в этом эксперименте используется метод трансферного обучения, чтобы компенсировать нехватку обучающих наборов для повышения точности результатов.

В этом эксперименте функция активации, используемая для предложенной CNN в полносвязном слое, представляет собой линейную единицу выпрямления (ReLU), количество нейронов в окончательном слое классификации равно 2, и используется функция активации softmax.Для краткости ReLU — это кусочно-линейная функция, которая будет напрямую выводить входные данные, если они положительны; в противном случае он выведет ноль. В этом эксперименте веса, предварительно обученные в ImageNet, были заморожены, больше не участвуют в изменениях значений нейронов, вызванных последующим обучением, и обучают только недавно добавленный полносвязный слой. Функция активации используется потому, что функция активации вводит в сеть нелинейные характеристики, так что нейронную сеть можно применять ко многим нелинейным моделям.

Затем мы использовали планировщик скорости обучения для динамической настройки скорости обучения, чтобы справиться с постепенным уменьшением требуемого размера шага по мере увеличения количества тренировочных раундов. Вход — это функция, вход функции — номер текущей эпохи, а возврат — соответствующая скорость обучения. Кроме того, этот эксперимент также устанавливает ReduceLROnPlateau для динамического снижения скорости обучения, когда обучение стагнирует, чтобы избежать явления, когда чрезмерно высокая скорость обучения колеблется вблизи оптимального решения.Мы выбрали оптимизатор «Адам», функцию потерь «categorical_crossentropy» и 50 эпох. Результаты обучения шести моделей показаны на рисунках 5–9 для VGG16, VGG19, InceptionV3, InceptionResNetV2 и Xception соответственно.






5. Заключение

На рис. Для всех пяти моделей VGG16, VGG19, InceptionV3, InceptionResNetV2 и Xception потери при обучении и значении составляют менее 6%, поэтому это указывает на то, что моделирование хорошо обучено.val_acc — это мера того, насколько хороши прогнозы модели. В этой статье предложенная нами модель довольно хорошо обучалась после 50 эпох, в то время как остальное обучение не требуется.

Доступность данных

Наборы данных, использованные и проанализированные в ходе текущего исследования, можно получить у соответствующего автора по обоснованному запросу.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Плоскоклеточный рак полости рта. Количественный гистоморфометрический классификатор изображений ядерной морфологии может стратифицировать пациентов для выживаемости по конкретному заболеванию.

Отбор пациентов

Louis Human Research Protection Office, пациенты с плоскоклеточным раком полости рта были идентифицированы из утвержденных Управлением по защите исследований человека баз данных клиницистов в области радиационной онкологии и отоларингологии, хирургии головы и шеи. База данных радиационной онкологии представляла собой утвержденную коллекцию пациентов, которых лечил один онколог-радиолог. База данных Otolaryngology Head and Neck Surgery также была утвержденной Управлением по защите прав человека коллекцией пациентов, которых лечил один хирург, и все они были пролечены трансоральной лазерной хирургической резекцией.Дополнительные случаи были собраны путем поиска текстовых слов в центральной базе данных патологии. Случаи были с 1997 по 2010 год, и все они были первичными раковыми заболеваниями, которые ранее не лечились. Первоначально было 118 пациентов, но трое дополнительных пациентов были позже исключены из-за дополнительной информации о последующем наблюдении о том, что опухоли фактически рецидивировали после предшествующего лечения, в результате чего осталась окончательная группа из 115 пациентов. Слайды из каждого случая были рассмотрены патологом-исследователем (JSL), и было подтверждено, что это плоскоклеточная карцинома.Были исключены определенные типы вариантов, такие как базалоидный, аденосквамозный, веррукозный, веретеноклеточный и папиллярный. Два или четыре 2-мм штампа (в зависимости от количества опухоли в донорских блоках) из каждой опухоли были получены для построения массива, включая передний край и центральную опухоль, где это возможно. После компиляции клинической и патологоанатомической информации, включая 7-е издание Американского объединенного комитета по раку (AJCC), защищенная медицинская информация 39 была удалена из базы данных.Все пациенты в исследуемой когорте явно имели первичные поражения полости рта на основании клинических и патологоанатомических данных. Опухоли ротоглотки или других первичных локализаций не были включены. Мы также не включали пациентов с первичными опухолями губы.

Слайды сканировали цифровым способом на цифровом сканере Aperio Scanscope XT при 40-кратном увеличении с разрешением 0,25  мкм м на пиксель. Каждой опухоли в массиве был присвоен кодовый номер для совместного использования со ссылкой на фактические данные пациента, известные только патологу-исследователю.Для анализа изображений патологоанатом выбрал для использования один из центральных образцов опухоли диаметром 2 мм (т. е. те образцы на предметных стеклах, на которых опухоль была наиболее и лучше всего представлена).

Затем вся когорта была разделена на два набора: один для моделирования («набор для моделирования») и разработки классификатора и один для проверки («набор для тестирования»). Для выбора 50 пациентов, составивших набор для моделирования, использовался генератор случайных чисел. Затем тестовая выборка состояла из оставшихся 65 пациентов, которые не были включены в выборку для моделирования.В наборе для моделирования тканевые микрочипы были обозначены S + или S в зависимости от того, умер ли пациент от рецидива или персистирующего заболевания во время последующего наблюдения, соответственно («выживаемость, специфичная для заболевания»). ‘). Эти обозначения использовались для обеспечения основы для анализа признаков и разработки классификатора. Для набора тестов бинарный классификатор был запущен без каких-либо сведений о смерти пациента или статусе болезни.

Анализ изображений

Обнаружение и сегментация ядер

Отдельные ядра опухоли и промежуточной/окружающей стромы автоматически отделялись от фона с использованием метода ядерной сегментации на основе водораздела 21, 22, 23 при 40-кратном увеличении (0.25  91 628 µ (разрешение 91 629 м/пиксель). Автоматическая сегментация учитывает данные интенсивности/градиента для каждого ядра, чтобы можно было выделить границы клеток для последующего выделения признаков (рис. 2).

Извлечение признаков

Процесс выделения локального совпадения морфологических признаков включал следующие этапы. (1) Мы идентифицировали локальные кластеры клеток на основе порога расстояния, где все ядра на фиксированном расстоянии друг от друга были отнесены к одному и тому же кластеру (дополнительная информация представлена ​​в разделе «Дополнительные материалы»).(2) Мы извлекли в общей сложности семь характеристик размера, формы и текстуры для каждого ядра в каждом из клеточных кластеров. Двумя характеристиками размера ядра были площадь и длина большой оси наиболее подходящего эллипса для этого ядра. 24 Тремя особенностями формы ядер были ядерный эксцентриситет, плотность и эквивалентный диаметр. 15 Два дескриптора текстуры представляли собой среднюю интенсивность внутри и непосредственно за границей ядра. 19 (3) Чтобы определить сходство признаков между сгруппированными ядрами, мы вычислили матрицу совместного появления для каждого из 7 выделенных ядерных признаков.Матрица совпадения позволяет фиксировать частоту совпадения различных признаков для разных ядер на графиках кластеров клеток. Интуитивно понятно, что если все ядра идентичны по внешнему виду, матрица совпадения равна 1 × 1. С другой стороны, чем больше разнообразие атрибутов, тем больше матрица совпадения. Мы дискретизировали ядерные морфологические признаки по каждому измерению признаков и создали матрицу совпадения для каждого графа кластеров клеток. Интуитивно, операция дискретизации распределяет ядра по подклассам.(4) Затем мы извлекли статистику второго порядка, например, энтропию, из каждой матрицы совместного появления. (5) Статистические данные первого порядка (среднее значение, медиана, стандартная производная, асимметрия и эксцесс) затем использовались для суммирования основного распределения признаков всех графиков кластеров клеток для каждого изображения пятна микрочипа ткани (дополнительные подробности представлены в разделе «Дополнительные материалы»). Таким образом, интуитивно понятно, что если бы наблюдались более высокие значения энтропии, это предполагает большее разнообразие морфологических особенностей сокластеризованных ядер, причем обратное верно для более низких значений энтропии.

На рис. 1 показан рабочий процесс построения и оценки классификатора. Локальное совпадение карт морфологических признаков для двух репрезентативных случаев S и S + показано на рисунке 2. Каждое из цветовых пятен, наложенных на исходное изображение пятна микрочипа ткани, представляет собой локальный кластер клеток, в котором цвет патча представляет нормализованное значение для анализируемого объекта. Размер каждого патча отражает размер локального кластера ячеек.В третьем и четвертом столбцах показаны количественные признаки гистоморфометрии, которые фиксируют дисперсию ядерной текстуры и формы соответственно. Синий и желтый цвета представляют собой нижнюю и верхнюю границы значения данного признака.

Рисунок 1

( a ) Иллюстрация процедуры выбора пациентов для моделирования и тестирования. ( b ) Блок-схема анализа изображений пятен тканевого микрочипа.

Рисунок 2

Иллюстрация карты признаков количественной гистоморфометрии.В первом столбце ( a , e ) показаны окрашенные H&E изображения опухолей из групп S (без смерти от конкретного заболевания) и S + (смерть от конкретного заболевания). Контуры сегментированных ядер (показаны зелеными границами) показаны во втором столбце ( b , f ) с графиками кластеров клеток. Линии представляют собой соединительные ребра между ядрами. В третьей ( c , g ) и четвертой ( d , h ) колонках показаны количественные гистоморфометрические характеристики, которые фиксируют различия в текстуре и форме ядер соответственно.Синий и желтый цвета представляют низкие и высокие значения характеристик. Случай S + показывает более широкий диапазон значений, чем случай S .

Выбор признаков

Три различных метода выбора признаков были реализованы для выбора локального совпадения морфологических признаков, наиболее коррелирующих с результатами выживания в наборе моделирования. Были рассмотрены три метода выбора признаков: (1) минимальная избыточность, максимальная релевантность 25 (2) критерий суммы рангов Уилкоксона и (3) случайный лес. 26 Каждый метод применялся в сочетании с трехэтапной схемой перекрестной проверки и выполнялся более 100 итераций в наборе моделирования для определения локального совпадения морфологических признаков, которые максимально отличали два класса (S + и S ), сводя к минимуму корреляцию внутри признаков. Были идентифицированы пять наиболее часто выбираемых признаков, которые были отображены с использованием диаграмм «ящики и усы» для сравнения выраженности признаков у пациентов S + и S .Мы ограничили количество функций пятью, чтобы избежать переобучения модели и проблемы проклятия размерности, проблемы, связанной со слишком большим количеством функций по отношению к количеству обучающих примеров.

Конструкция классификатора

Четыре различных классификатора машинного обучения, линейный дискриминантный анализ, квадратичный дискриминантный анализ, метод опорных векторов и случайный лес были реализованы в сочетании с пятью основными функциями, определенными с использованием различных схем выбора функций.Классификаторы машинного обучения оценивались в ходе 100 итераций трехкратной перекрестной проверки в наборе для моделирования. Затем мы определили наиболее эффективную комбинацию схем выбора функций классификатора на основе площади под значениями кривой рабочих характеристик приемника (ROC) (AUC), полученными на обучающем наборе. Эта наиболее эффективная комбинация выбора и классификации признаков была обозначена как классификатор изображений плоскоклеточного рака полости рта на основе гистоморфометрии (OHbIC или «классификатор»).

Каждому изображению, соответствующему тестовому набору, каждый машинный классификатор присвоил вероятность повторения. Затем эта вероятность была ограничена порогом на различных уровнях от 0 до 1, тем самым присваивая каждому тестовому экземпляру категории S + или S для каждого порога. Затем предсказанные метки для каждого классификатора сравнивались с метками истинности (истинными исходами для пациентов) для определения точности и показателей производительности AUC.

Анализ выживаемости

Связи между результатами бинарного классификатора и другими категориальными клиническими и патологическими переменными определяли с помощью двустороннего точного критерия Фишера.Для возраста использовали неравную дисперсию Уэлча t -критерий. Общая выживаемость определялась как временной интервал между началом лечения (либо датой хирургической резекции, либо, если лечили только нехирургически, датой начала лучевой и/или химиотерапии) и датой смерти от любой причины. Специфическую для заболевания выживаемость определяли как временной интервал между началом лечения и датой смерти у пациентов с известным рецидивом опухоли в организме на момент смерти.Метод предельного произведения Каплана-Мейера (КМ) использовался для оценки эмпирических вероятностей выживания, как показано на кривых КМ. Тесты логарифмического ранга применялись для изучения различий в выживаемости, указывая на значимость категориальной переменной, являющейся прогностической для конечной точки выживания. Многомерные модели пропорциональных рисков Кокса также использовались для исследования независимой прогностической способности переменных после учета других клинических и патологических переменных. Приводились отношения рисков, соответствующие 95% доверительные интервалы и P -значения из тестов Вальда.Все тесты были двусторонними с уровнем значимости 0,05. Все анализы проводились с использованием статистического программного обеспечения Stata v14 (http://www.stata.com/).

Камера смартфона может освещать бактерии, вызывающие акне, зубные налеты

Инжиниринг  | Здоровье и медицина  | Исследования  | Наука  | Блог UW News

11 июня 2021 г.

Исследователи из Вашингтонского университета разработали метод, использующий изображения, полученные со смартфона, для выявления потенциально вредных бактерий на коже и в ротовой полости.Их подход, изложенный в статье, опубликованной в майском номере журнала Optics and Lasers in Engineering, позволяет визуально идентифицировать микробы на коже, способствующие акне и медленному заживлению ран, а также бактерии в ротовой полости, которые могут вызывать гингивит и зубные бляшки.

Фотографии модифицированного смартфона, который исследователи использовали для захвата RGB-изображений кожи и полости рта со светодиодной подсветкой. He et al ., Оптика и лазеры в технике, 2021

Команда под руководством Руикана Вана, профессора биоинженерии и офтальмологии UW, объединила модификацию корпуса смартфона с методами обработки изображений, чтобы подсветить бактерии на изображениях, сделанных обычной камерой смартфона.Этот подход дал относительно недорогой и быстрый метод, который можно было использовать в домашних условиях для оценки наличия потенциально вредных бактерий на коже и в полости рта.

«Бактерии на коже и во рту могут оказывать большое влияние на наше здоровье — от разрушения зубов до замедления заживления ран», — сказал Ван. «Поскольку смартфоны так широко используются, мы хотели разработать экономичный и простой инструмент, который люди могли бы использовать для изучения бактерий на коже и в ротовой полости.

Бактерии нелегко увидеть на обычных изображениях со смартфона. Камеры смартфонов — это «камеры RGB», — сказал Ван. По сути, они превращают все длины волн света в видимом спектре в три разных цвета — красный, зеленый и синий. Каждый пиксель изображения, созданного смартфоном, представляет собой комбинацию этих цветов. Но бактерии излучают много цветов помимо красного, зеленого и синего, которые упускает типичная камера смартфона.

«A» представляет собой RGB-изображение автофлуоресценции, полученное с помощью модифицированного светодиодом смартфона правой стороны переносицы добровольца-исследователя.«В» — крупный план раздела «А», обведенного красными пунктирными метками. He et al ., Оптика и лазеры в технике, 2021

Команда Вана расширила возможности камеры смартфона, прикрепив небольшое напечатанное на 3D-принтере кольцо, содержащее 10 черных светодиодов, вокруг отверстия для камеры в корпусе смартфона. Исследователи использовали смартфон со светодиодной подсветкой, чтобы делать снимки ротовой полости и кожи на лице двух испытуемых.

«Светодиодные лампы «возбуждают» класс молекул, полученных из бактерий, называемых порфиринами, заставляя их испускать красный флуоресцентный сигнал, который затем может уловить камера смартфона», — сказал ведущий автор Цинхуа Хэ, докторант Университета Вашингтона в области биоинженерии.

Другие компоненты изображения, такие как белки или масляные молекулы, вырабатываемые нашим телом, а также кожа, зубы и десны, не будут светиться красным под светодиодом. Он добавил, что они будут светиться другими цветами.

Многие бактерии производят порфирины как побочный продукт своего роста и метаболизма. По словам соавтора Юандонга Ли, исследователя в области биоинженерии из Университета Вашингтона, порфирины могут накапливаться на коже и во рту, где бактерии присутствуют в больших количествах.

«Как правило, чем больше порфиринов вы видите, например, на поверхности кожи, тем больше проблем с заживлением ран и акне», — сказал Ли.

Светодиодная подсветка дала команде достаточно визуальной информации для компьютерного «преобразования» цветов RGB из изображений, полученных со смартфона, в другие длины волн в визуальном спектре. Это генерирует «псевдомультиспектральное» изображение, состоящее из 15 различных участков визуального спектра — вместо трех в исходном изображении RGB. По словам Вана, для получения этой визуальной информации потребовалось бы дорогое и громоздкое освещение, а не использование относительно недорогих черных светодиодных фонарей.

Справа — RGB-изображение автофлуоресценции кожи лица добровольца. Слева — псевдомультиспектральное изображение той же области с удаленным загрязнением фоновыми сигналами. Белые области на псевдомультиспектральном изображении указывают на высокий уровень порфиринов. He et al ., Optics and Lasers in Engineering, 2021

Обладая большей степенью визуального различения, псевдомультиспектральные изображения четко разрешали скопления порфирина на коже и в ротовой полости.Кроме того, хотя они адаптировали этот метод для выявления порфирина, исследователи могли модифицировать конвейер анализа изображений для обнаружения других бактериальных сигнатур, которые также флуоресцируют под светодиодами.

«В этом и прелесть этой техники: мы можем одновременно рассматривать разные компоненты», — сказал Ван. «Если у вас есть бактерии, производящие другой побочный продукт, который вы хотите обнаружить, вы можете использовать то же изображение для его поиска — то, что вы не можете сделать сегодня с обычными системами визуализации».

Успех этого первоначального исследования может лечь в основу новых домашних методов оценки основного состояния кожи и полости рта, заявили исследователи, предоставляя пользователям информацию о том, например, нужно ли им обратиться к стоматологу или проконсультироваться с врачом по поводу определенных типов состояния кожи.Их визуальная система и конвейер анализа изображений также могут помочь идентифицировать потенциально проблемные бактерии в других медицинских контекстах, таких как заживление ран на других частях тела.

«Здесь можно пойти по многим направлениям, — сказал Ван. «Наши тела представляют собой сложную среду, и этот подход имеет большой потенциал для решения многих типов проблем».

Дополнительными соавторами были приглашенный ученый UW Чжиюань Сунь и исследователь бакалавриата Венди Ван. Исследование финансировалось Вашингтонским исследовательским фондом.

За дополнительной информацией обращайтесь к Вану по адресу [email protected]

Теги: Инженерный колледж • Кафедра биоинженерии • Кафедра офтальмологии • Руйкан Ван • Медицинский факультет

Патология полости рта и ротоглотки плоскоклеточный рак

В отличие от травматической язвенной гранулемы со стромальной эозинофилией, эти поражения представляют собой плоскоклеточный рак языка. Они могут выглядеть одинаково, но плоскоклеточный рак немного сложнее.

Нет времени читать эту статью? Мы получим это. Загрузите контрольный список диагностики везикулярно-язвенных состояний, чтобы получить ключевую информацию и изображения из этой статьи, а также обо всех других состояниях, которые мы рассматриваем в Руководстве стоматолога по патологии полости рта.

Гистология здесь: покрывающий многослойный плоский эпителий. Иногда это кажется пластичным, немного бесклеточным. Тогда у вас есть злокачественные эпителиальные островки в соединительной ткани. Вы видите, что есть небольшое веретенообразование, и некоторые клетки производят кератин, индивидуальное клеточное ороговение.

Иногда можно увидеть образование кератиновых жемчужин. Вот что мы видим в этой плоской клетке. Вы можете увидеть этот переход от вышележащего эпителия.

Это гистологическая картина сосудистой инвазии. У вас тонкостенный сосуд, может быть, отросток для капилляра, и у вас рак, который прорвал эту сосудистую стенку и проник в просвет. Это первый этап метастазирования.

Здесь мы видим крупные плеоморфные клетки с несколькими ядрышками.Некоторые клетки крупные с одним выступающим вишнево-красным ядрышком. Мы видим митотическую активность и аномальный митоз, который является одним из признаков плоскоклеточного рака. Мы ищем клетки, которые выглядят по-разному по форме и размеру и окрашиваются при нетипичной митотической активности.

Плоскоклеточный рак полости рта и ротоглотки

В общем, объединяем статистику полости рта и ротоглотки в одно целое. Однако это две отдельные сущности. Если вы объедините их, как это делает Американское онкологическое общество, это данные за 2014 год.

  • Плоскоклеточный рак полости рта и ротоглотки (OPSCC) поражает около 41 000 человек в США, при этом около 8 000 человек скончались.
  • Соотношение мужчин и женщин составляет 2:1.
  • Общая 5-летняя выживаемость невелика и составляет 62%,
  • Это восьмой по распространенности вид рака у мужчин.

Плоскоклеточная карцинома полости рта и ротоглотки (OPSCC), ассоциированная с ВПЧ

Я уверен, что вы слышали о ВПЧ, связанном с раком шейки матки. ВПЧ также связан с плоскоклеточным раком ротоглотки.Ротоглотка находится позади задней поверхности ротовой полости. Вы говорите о миндалинах, мягком небе и основании языка.

Если у вас плоскоклеточный рак ротоглотки, есть вероятность, что 73% случаев будут связаны с ВПЧ. Здесь существует широкий диапазон, но в более поздних исследованиях он составляет около 73% или выше. Причина широкого диапазона заключается в том, что исследования иногда определяют ротоглотку, включающую заднюю часть, одну треть языка, что уменьшает количество.

Ротовая полость не часто ассоциируется с ВПЧ. Только около 2% плоскоклеточных карцином ротовой полости связаны с ВПЧ. Местоположение здесь имеет решающее значение.

Плоскоклеточный рак ротоглотки (OPSCC) в подавляющем большинстве случаев связан с инфекцией ВПЧ. Плоскоклеточный рак полости рта в большинстве случаев не ассоциирован с ВПЧ.

Плоскоклеточный рак ротоглотки Тенденции

Мы знаем, что зоны повышенного риска остаются прежними: боковые края языка, вентральная часть языка, дно полости рта, мягкое небо.Мы знаем, что дужки миндалин мягкого неба и области основания языка более подвержены инфицированию ВПЧ и, следовательно, часто связаны с карциномами, ассоциированными с ВПЧ.

В 2011 году в исследовании рассматривались инциденты и доля OPSCC. Они обнаружили, что оба они увеличивались. Они рассмотрели случаи в 1998 году по сравнению с 2004 годом и обнаружили, что OPSCC увеличился на 30%. Они обнаружили, что это было в основном среди молодых мужчин и часто диагностировалось на поздней стадии, потому что вы не думаете о плоскоклеточном раке полости рта и ротоглотки, встречающемся у молодых мужчин или у более молодых пациентов в целом.

Интересно, что они также обнаружили, что доля ВПЧ-позитивных плоскоклеточных карцином также увеличивалась. Они взяли образцы из 1980-х годов и проверили их на ВПЧ16 и ВПЧ18. Затем они взяли образцы из 2000 года, проверили на ВПЧ16 и ВПЧ18 и сравнили их с образцами 80-х годов.

Образцы 1980-х годов были 16% положительными на ВПЧ, а в 2000 году они были положительными на ВПЧ на 73%. Растет не только количество случаев, но и доля плоскоклеточного рака ротоглотки, связанного с ВПЧ.

Везикулярно-язвенные состояния

Загрузите контрольный список диагностики везикулярных язв, чтобы получить всю ключевую информацию и изображения из этой статьи.