Сегментация трехмерных ОКТ-изображений кожи человека с помощью нейронных сетей с архитектурой U-Net

В.А. Шишкова, Н.В. Громов, А.М. Миронычева, М.Ю. Кириллин

Ключевые слова: оптическая когерентная томография; толстая кожа; роговой слой; эпидермис; сверточные нейронные сети; архитектура U-Net.

2025, том 17, номер 1, стр. 6.

DOI: https://doi.org/10.17691/stm2025.17.1.01

Полный текст статьи

html pdf

111

Аннотация
Список литературы
Как цитировать в References

Цель исследования — сравнительный анализ алгоритмов сегментации трехмерных ОКТ-изображений кожи человека с использованием нейронных сетей с архитектурой U-Net при обучении модели на двухмерных и трехмерных данных.

Материалы и методы. В работе предложены две архитектуры сетей на основе U-Net для сегментации трехмерных ОКТ-изображений кожи, в качестве входных данных для которых выступают двух- и трехмерные блоки трехмерного изображения. Обучение проводили на ОКТ-изображениях толстой кожи, полученных на 7 здоровых волонтерах. Для обучения изображения были размечены в полуавтоматическом режиме специалистами в области ОКТ и дерматологии. Для оценки качества сегментации использовали коэффициент Серенсена–Дайса, который вычисляли по результатам сегментации изображений, не участвовавших в обучении сетей. Дополнительное тестирование возможностей сетей в определении толщин слоев кожи было проведено на независимом наборе данных от 8 здоровых волонтеров.

Результаты. При оценке качества сегментации значения коэффициента Серенсена–Дайса для верхних слоев рогового слоя, упорядоченного рогового слоя, клеточного слоя эпидермиса и дермы составили 0,90; 0,94; 0,89 и 0,99 соответственно — для обучения на двухмерных данных и 0,89; 0,94; 0,87 и 0,98 — для обучения на трехмерных данных. Значения, полученные для дермы, хорошо согласуются с результатами других работ, использующих сети на архитектуре U-Net. Толщины упорядоченного рогового слоя и клеточного слоя эпидермиса составили 153±24 и 137±17 мкм соответственно — при обучении сети на двухмерных данных и 163±19 и 137±20 мкм — при обучении на трехмерных данных.

Заключение. Сети на основе архитектуры U-Net позволяют сегментировать слои кожи на ОКТ-изображении с высокой точностью, что делает эти сети перспективными для получения значимой диагностической информации в дерматологии и косметологии, например для оценки толщины слоев кожи.

Руководство по оптической когерентной томографии. Под ред. Гладковой Н.Д., Шаховой Н.М., Сергеева А.М. М: Физматлит; 2007.
Мультимодальная оптическая когерентная томография в клинической медицине. Под ред. Гладковой Н.Д., Геликонова Г.В., Киселевой Е.Б. М: Физматлит; 2022.
Wan B., Ganier C., Du-Harpur X., Harun N., Watt F.M., Patalay R., Lynch M.D. Applications and future directions for optical coherence tomography in dermatology. Br J Dermatol 2021; 184(6): 1014–1022, https://doi.org/10.1111/bjd.19553.
Venhuizen F.G., van Ginneken B., Liefers B., van Grinsven M.J.J.P., Fauser S., Hoyng C., Theelen T., Sánchez C.I. Robust total retina thickness segmentation in optical coherence tomography images using convolutional neural networks. Biomed Opt Express 2017; 8(7): 3292–3316, https://doi.org/10.1364/BOE.8.003292.
Zhang X., Yousefi S., An L., Wang R.K. Automated segmentation of intramacular layers in Fourier domain optical coherence tomography structural images from normal subjects. J Biomed Opt 2012; 17(4): 046011, https://doi.org/10.1117/1.JBO.17.4.046011.
Schmitt J.M., Xiang S.H., Yung K.M. Speckle in optical coherence tomography. J Biomed Opt 1999; 4(1): 95–105, https://doi.org/10.1117/1.429925.
Hori Y., Yasuno Y., Sakai S., Matsumoto M., Sugawara T., Madjarova V., Yamanari M., Makita S., Yasui T., Araki T., Itoh M., Yatagai T. Automatic characterization and segmentation of human skin using three-dimensional optical coherence tomography. Opt Express 2006; 14(5): 1862–1877, https://doi.org/10.1364/oe.14.001862.
Ali M., Hadj B. Segmentation of oct skin images by classification of speckle statistical parameters. IEEE International Conference on Image Processing 2010; p. 613–616, https://doi.org/10.1109/icip.2010.5653019.
Li A., Cheng J., Yow A.P., Wall C., Wong D.W., Tey H.L., Liu J. Epidermal segmentation in high-definition optical coherence tomography. Annu Int Conf IEEE Eng Med Biol Soc 2015; 2015: 3045–3048, https://doi.org/10.1109/EMBC.2015.7319034.
Taghavikhalilbad A., Adabi S., Clayton A., Soltanizadeh H., Mehregan D., Avanaki M.R.N. Semi-automated localization of dermal epidermal junction in optical coherence tomography images of skin. Appl Opt 2017; 56(11): 3116–3121, https://doi.org/10.1364/AO.56.003116.
Srivastava R., Yow A.P., Cheng J., Wong D.W.K., Tey H.L. Three-dimensional graph-based skin layer segmentation in optical coherence tomography images for roughness estimation. Biomed Opt Express 2018; 9(8): 3590–3606, https://doi.org/10.1364/BOE.9.003590.
Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. Medical image computing and computer-assisted intervention — MICCAI 2015. 2015; p. 234–241, https://doi.org/10.1007/978-3-319-24574-4_28.
Roy A.G., Conjeti S., Karri S.P.K., Sheet D., Katouzian A., Wachinger C., Navab N. ReLayNet: retinal layer and fluid segmentation of macular optical coherence tomography using fully convolutional networks. Biomed Opt Express 2017; 8(8): 3627–3642, https://doi.org/10.1364/BOE.8.003627.
Calderon-Delgado M., Tjiu J.W., Lin M.Y., Huang S.L. High resolution human skin image segmentation by means of fully convolutional neural networks. 2018 International Conference on Numerical Simulation of Optoelectronic Devices (NUSOD). 2018; p. 31–32, https://doi.org/10.1109/nusod.2018.8570241.
Kepp T., Droigk C., Casper M., Evers M., Hüttmann G., Salma N., Manstein D., Heinrich M.P., Handels H. Segmentation of mouse skin layers in optical coherence tomography image data using deep convolutional neural networks. Biomed Opt Express 2019; 10(7): 3484–3496, https://doi.org/10.1364/BOE.10.003484.
Chueh K.M., Kao H.L., Chen H.H., Shun C.T., Calderon-Delgado M., Huang S.L. Deep feature learning for contour segmentation of aorta’s intima by using sub-micron-resolution OCT. 2019 IEEE International Conference on BioPhotonics (BioPhotonics). 2019; p. 1–2, https://doi.org/10.1109/biophotonics.2019.8896753.
Gu Z., Cheng J., Fu H., Zhou K., Hao H., Zhao Y., Zhang T., Gao S., Liu J. CE-Net: context encoder network for 2D medical image segmentation. IEEE Trans Med Imaging 2019; 38(10): 2281–2292, https://doi.org/10.1109/TMI.2019.2903562.
Del Amor R., Morales S., Colomer A., Mogensen M., Jensen M., Israelsen N.M., Bang O., Naranjo V. Automatic segmentation of epidermis and hair follicles in optical coherence tomography images of normal skin by convolutional neural networks. Front Med (Lausanne) 2020; 7: 220, https://doi.org/10.3389/fmed.2020.00220.
Czajkowska J., Badura P., Korzekwa S., Płatkowska-Szczerek A. Deep learning approach to skin layers segmentation in inflammatory dermatoses. Ultrasonics 2021; 114: 106412, https://doi.org/10.1016/j.ultras.2021.106412.
Liu X., Chuchvara N., Liu Y., Rao B. Real-time deep learning assisted skin layer delineation in dermal optical coherence tomography. OSA Contin 2021; 4(7): 2008–2023, https://doi.org/10.1364/osac.426962.
Gao T., Liu S., Gao E., Wang A., Tang X., Fan Y. Automatic segmentation of laser-induced injury OCT images based on a deep neural network model. Int J Mol Sci 2022; 23(19): 11079, https://doi.org/10.3390/ijms231911079.
Ji Y., Yang S., Zhou K., Lu J., Wang R., Rocliffe H.R., Pellicoro A., Cash J.L., Li C., Huang Z. Semisupervised representative learning for measuring epidermal thickness in human subjects in optical coherence tomography by leveraging datasets from rodent models. J Biomed Opt 2022; 27(8): 085002, https://doi.org/10.1117/1.JBO.27.8.085002.
Zhang Y., Liao Q., Ding L., Zhang J. Bridging 2D and 3D segmentation networks for computation efficient volumetric medical image segmentation: an empirical study of 2.5D solutions. arXiv 2022, https://doi.org/10.48550/arXiv.2010.06163.
Shlivko I.L., Kirillin M.Y., Donchenko E.V., Ellinsky D.O., Garanina O.E., Neznakhina M.S., Agrba P.D., Kamensky V.A. Identification of layers in optical coherence tomography of skin: comparative analysis of experimental and Monte Carlo simulated images. Skin Res Technol 2015; 21(4): 419–425, https://doi.org/10.1111/srt.12209.
Kirillin M., Meglinski I., Kuzmin V., Sergeeva E., Myllylä R. Simulation of optical coherence tomography images by Monte Carlo modeling based on polarization vector approach. Opt Express 2010; 18(21): 21714–21724, https://doi.org/10.1364/OE.18.021714.
Kurakina D., Sergeeva E., Khilov A., Kirillin M. Light dose and fluorescence imaging depth in dual-wavelength PDT: a numerical study for various photosensitizer distributions in a layered biotissue. Journal of Biomedical Photonics & Engineering 2024; 10(4): 040318, https://doi.org/10.18287/jbpe24.10.040318.

Shishkova V.A., Gromov N.V., Mironycheva A.M., Kirillin M.Yu. Segmentation of 3D OCT Images of Human Skin Using Neural Networks with U-Net Architecture. Sovremennye tehnologii v medicine 2025; 17(1): 6, https://doi.org/10.17691/stm2025.17.1.01