论文网址：Deep Learning for Basal Cell Carcinoma Detection for Reflectance Confocal Microscopy - ScienceDirect

论文代码：https://github.com/MSKCC-Computational-Pathology/MSKCC_RCM_BCC

目录

1. 心得

2. 论文逐段精读

2.1. Abstract

2.2. Introduction 

2.3. Results

2.3.1. Patients and tumor characteristics

2.4. Discussion

2.5. Materials and Methods

2.5.1. RCM stack acquisition

2.5.2. Data annotation

2.5.3. External dataset

2.5.4. Neural network architecture

2.5.5. Training and testing

2.5.6. Statistical analysis

2.5.7. Occlusion maps

1. 心得

（1）随意记录

2. 论文逐段精读

2.1. Abstract

        ①反射共聚焦显微镜（reflectance confocal microscopy, RCM）可以提高基底细胞癌（Basal cell carcinoma, BCC）诊断的特异性。（意思是皮肤镜看了如果不能确认就要活检，活检的话没病都要来一针，但RCM可以只是拍摄一下，不容易把没病检测成有病）

confocal  adj.共聚焦的；共焦（点）的    carcinoma  n.癌(影响上皮组织或腹腔器官内膜的恶性肿瘤)

2.2. Introduction 

        ①人眼辨别RCM上的病灶具有挑战性：RCM 图像上的皮肤水平（正面）视图和灰度对比度与组织病理学的垂直视图和紫色和粉红色 H&E 染色图像相比很难辨别，需要大量培训

        ②每个RCM图像的堆数：312（堆栈是小的单视场 （FOV）（0.5–1 毫米2）从角质层到真皮浅层（即200μm深度）的连续深度（相距3.0μm）采集的图像）

        ③样本：52 名患者的 66 个病灶（在皮肤镜下不确定，所以被拿来做RCM）

        ④标签：BCC （B）、非 BCC （NB）、可疑 BCC （S）、正常 （N） 和质量差 （BQ），由五名专家通过RCM和活检确认：

        ⑤卷积模型：

其中海榆哥最大池化，使用五折交叉验证

        ⑥外部测试集：来自 34 个病灶的 53 个堆栈

2.3. Results

2.3.1. Patients and tumor characteristics

        ①人口统计特征：

        ②ROC曲线：

        ③可疑的病变一般出现在堆栈更深层，行是像素点，列是堆栈深度：

其中a是活检确认的非BCC和BCC，b c是堆BCC堆栈进行分析

        ④遮挡图（找到哪些区域对于预测很有影响）：

2.4. Discussion

        ①大视场的马赛克（平面扫描多个RCM并拼接）只能将设备安装在手臂上获取，但很多皮肤病在脸上

        ②堆栈RCM是手持式（handheld），非常方便，是扫小面积的深层

2.5. Materials and Methods

2.5.1. RCM stack acquisition

        ①分辨率为 0.5–1 μm 的 RCM 图像堆叠，覆盖 0.5–1 mm 的 FOV2从角质层到真皮浅层（即 200 μm 深度）的连续深度（相距 3.0 μm）收集。

        ②成像是使用手臂安装的 RCM（Vivascope 1500，口径 I.D.，纽约州罗切斯特）或 HH-RCM（Vivascope 3000，口径 ID，纽约州罗切斯特）完成的

        ③每个病灶的堆叠数量由 RCM 专家在成像时确定。

        ④平均收集每个病灶 6.1 个（SD 2.7;范围 1-12）个 RCM 堆栈

2.5.2. Data annotation

        ①本研究共包括来自 52 名患者的 66 个独特病灶，包括 312 个堆栈的最终数据集。每个 RCM 图像都标有五个标签之一：BCC （B）、非 BCC （NB）、可疑 BCC （S）、正常 （N） 和质量差 （BQ）。由五名专家 RCM 读者（CND、KL、SA、JM 和 MJ）组成的小组分析了每个 RCM 堆栈中的所有 RCM 图像，并将这些图像投票选为 B、NB、S 和 BQ。当五名专家中至少有三名就给定标签达成一致时，就会形成最终标签。如果缺乏协议，则咨询了具有超过 15 年经验的第六位审查员 （AS），并将他的裁决用作最终标签。

2.5.3. External dataset

        ①意大利摩德纳的摩德纳和雷焦艾米利亚大学（13 个病灶和 25 个堆栈）;意大利雷焦艾米利亚摩德纳和雷焦艾米利亚大学（16 个病灶和 22 个堆栈）;和澳大利亚悉尼悉尼黑色素瘤诊断中心（5 个病灶和 6 个堆栈）

2.5.4. Neural network architecture

        ①模型主干：ResNet34

        ②输入大小：1000灰度图像

        ③卷积后特征图大小：32×32

        ④残差块后得到8×8的特征表示

        ⑤在测试时，仅使用最后一个分类层（8 像素）进行预测。

2.5.5. Training and testing

        ①Epoch: 40

        ②在训练过程中，动态执行了由随机 90° 旋转、随机水平翻转、强度抖动和高斯模糊组成的增强管道。

2.5.6. Statistical analysis

        ①生成ROC曲线

2.5.7. Occlusion maps

        ①使用python的captum包生成遮挡图

2.5.8. Data availability statement

        ①数据集：MSKCC RCM BCC Part 1 - Mendeley Data，MSKCC RCM BCC Part 2 - Mendeley Data