Webbläsaren som du använder stöds inte av denna webbplats. Alla versioner av Internet Explorer stöds inte längre, av oss eller Microsoft (läs mer här: * https://www.microsoft.com/en-us/microsoft-365/windows/end-of-ie-support).

Var god och använd en modern webbläsare för att ta del av denna webbplats, som t.ex. nyaste versioner av Edge, Chrome, Firefox eller Safari osv.

Foto på Patrik Edén

Patrik Edén

Universitetslektor

Foto på Patrik Edén

Facilitating clinically relevant skin tumor diagnostics with spectroscopy-driven machine learning

Författare

  • Emil Andersson
  • Jenny Hult
  • Carl Troein
  • Magne Stridh
  • Benjamin Sjögren
  • Agnes Pekar-Lukacs
  • Julio Hernandez-Palacios
  • Patrik Edén
  • Bertil Persson
  • Victor Olariu Annell
  • Malin Malmsjö
  • Aboma Merdasa
Visa allt

Summary, in English

In the dawning era of artificial intelligence (AI), health care stands to undergo a significant transformation with the increasing digitalization of patient data. Digital imaging, in particular, will serve as an important platform for AI to aid decision making and diagnostics. A growing number of studies demonstrate the potential of automatic pre-surgical skin tumor delineation, which could have tremendous impact on clinical practice. However, current methods rely on having ground truth images in which tumor borders are already identified, which is not clinically possible. We report a novel approach where hyperspectral images provide spectra from small regions representing healthy tissue and tumor, which are used to generate prediction maps using artificial neural networks (ANNs), after which a segmentation algorithm automatically identifies the tumor borders. This circumvents the need for ground truth images, since an ANN model is trained with data from each individual patient, representing a more clinically relevant approach.

Avdelning/ar

  • Centrum för miljö- och klimatvetenskap (CEC)
  • Beräkningsvetenskap för hälsa och miljö
  • Forskargruppen för oftalmologisk avbildning
  • Oftalmologi, Lund
  • LU profilområde: Ljus och material
  • LUCC: Lunds universitets cancercentrum
  • Hudcancerforskning vid Lunds universitet
  • Dermatologi och venereologi, Lund

Publiceringsår

2024-05-17

Språk

Engelska

Publikation/Tidskrift/Serie

iScience

Volym

27

Avvikelse

5

Dokumenttyp

Artikel i tidskrift

Förlag

Elsevier

Ämne

  • Cancer and Oncology
  • Biophysics

Nyckelord

  • Hyperspectral imaging
  • Machine learning
  • Skin tumours

Aktiv

Published

Projekt

  • Computational Science for Health and Environment

Forskningsgrupp

  • Computational Science for Health and Environment
  • Ophthalmology Imaging Research Group
  • LUSCaR- Lund University Skin Cancer Research group

ISBN/ISSN/Övrigt

  • ISSN: 2589-0042