एक्टिनिक केराटोसिस की ऑप्टिकल कोहेरेंस टोमोग्राफी छवियों में एपिडर्मल सेगमेंटेशन के लिए एक U-Net मॉडल

एक्टिनिक केराटोसिस (AK) एक कैंसर-पूर्व त्वचा घाव (लीज़न) है जो आमतौर पर पराबैंगनी प्रकाश के अत्यधिक संपर्क के कारण होता है। ऑप्टिकल कोहेरेंस टोमोग्राफी (OCT) लीज़न वर्गीकरण के लिए प्रासंगिक उप-सतह जानकारी प्रदान कर सकती है, लेकिन छवियों का मैन्युअल विश्लेषण समय लेने वाला और अंतर-पर्यवेक्षक परिवर्तनशीलता के अधीन होता है; डीप लर्निंग मॉडल पर आधारित स्वचालित सेगमेंटेशन तेज़ और अधिक सुसंगत परिणाम प्रदान कर सकता है। हालांकि, संरचनात्मक परिवर्तन, जैसे कि मोटा होना और हाइपरकेराटोसिस, एपिडर्मल सेगमेंटेशन कार्यों को जटिल बनाते हैं। इस कारण से, हमारा उद्देश्य सटीकता और कम्प्यूटेशनल दक्षता दोनों को मिलाकर, OCT छवियों में AK लीज़न के स्वचालित एपिडर्मल सेगमेंटेशन के लिए एक U-Net मॉडल विकसित और अनुकूलित करना था। इमेज साइज़ (256 × 256, 512 × 512, 1024 × 1024, और 464 × 1356 पिक्सल), बैच साइज़ (2, 4, 8, और 16), और प्रशिक्षण अवधि (50, 100, और 150 एपॉक्स) सहित हाइपरपैरामीटर को बदलकर कई कॉन्फ़िगरेशन का मूल्यांकन किया गया। Dice गुणांक और Jaccard इंडेक्स सहित कई मेट्रिक्स का उपयोग करके मॉडल के प्रदर्शन का मात्रात्मक मूल्यांकन किया गया, जिसमें स्वचालित एपिडर्मल सेगमेंटेशन की तुलना विशेषज्ञ एनोटेशन से की गई। 256 × 256 पिक्सल के इमेज रिज़ॉल्यूशन और 50 एपॉक्स में 2 के बैच साइज़ वाले इष्टतम कॉन्फ़िगरेशन का Dice स्कोर 0.86 और Jaccard इंडेक्स 0.76 था। उच्च रिज़ॉल्यूशन और लंबे प्रशिक्षण ने सटीकता मानों को महत्वपूर्ण रूप से बढ़ाए बिना गणना को बढ़ा दिया और कभी-कभी ओवरफिटिंग का कारण बना। ये निष्कर्ष बताते हैं कि एक सरल U-Net आर्किटेक्चर AK लीज़न में कुशल और सटीक एपिडर्मल सेगमेंटेशन प्राप्त कर सकता है, बशर्ते इसे प्रदर्शन बढ़ाने के लिए फाइन-ट्यून किया जाए।