Non-Invasive Delineation of BCC Tumors using Patient-Specific Neural Networks and Photoacoustic Imaging

Abstract

In this thesis we investigate the possibility of delineating basal cell carcinoma using photoacoustic imaging and patient-specific neural networks. Basal cell carcinoma is the most common type of cancer in lighter-skinned individuals and the current methods for determining the extent of the tumor are invasive and time-consuming. Photoacoustic imaging allows for detailed subsurface imaging at multiple wavelengths and is non-invasive. A full pipeline was developed which included: Automatic 3D sample mask generation and unsupervised clustering to create patient-specific training data without access to ground truth. Finally a one-dimensional convolutional neural network was trained using the patient-specific training data to determine the full extent of the tumor. The results were promising; the resulting tumor width and depth were within 1~mm from the histopathology measurements. The clustering of the training data performed optimally when the spectrum of the tumor region was distinct from the healthy tissue. It was also possible to enhance this difference using Z-score normalization or by fitting the spectra to a third degree polynomial. This thesis demonstrates that using photoacoustic imaging in combination with patient-specific neural networks is a viable and non-invasive alternative to current delineation methods for basal cell carcinoma. The proposed method has the potential of reducing both cost and time investments for hospital and patient.

Popular Abstract (Swedish)

Vi lever i en tid av förändring, en tid där artificiell intelligens tar sina första riktiga vingslag med hela världen framför sig. Denna tid har ofta kallats för "AI-revolutionen" där potentialen för AI verkar gränslös. Det är en potential som även existerar inom den medicinska fronten vilket är något som detta projekt bygger på.

Bland individer med ljusare hy är basalcellscancer (BCC) den vanligaste typen av hudcancer och orsakas oftast av exponering för UV-ljus. Behandling av denna typ av cancer sker oftast genom kirurgi där kirurgen skär bort tumören med godtycklig marginal. Den bortopererade tumören skickas då till en histopatolog som skär upp den i tunna skivor för att sedan visuellt se om hela tumören blev borttagen. Om det skulle visa sig att delar av tumören lämnades kvar måste patienten opereras igen. Detta är en väldigt kostsam process, både i form av patientens och sjukhusets tid men också i form av pengar. På grund av detta har ett större samarbete mellan enheten för beräkningsvetenskap för hälsa och miljö vid CEC och ögonkliniken vid Lunds universitetssjukhus inletts. Detta projekt är en del av samarbetet och syftar till att undersöka om det med hjälp av fotoakustisk avbildning och AI är möjligt att avgränsa BCC-tumörer utan att skära in i huden. Detta för att kirurgen ska ha mer information om utbredningen av cancern så hela tumören kan tas bort redan vid första ingreppet. Tidigare studier har visat att detta är möjligt för melanom som innehåller en förhöjd nivå melanin. För att förstå varför detta är relevant måste man först förstå vad den fotoakustiska effekten är. När ljus träffar ett mikroskopiskt objekt så överförs energi från ljuset till objektet. Denna energi uppenbarar sig som rörelse i objektet vilket orsakar vibrationer. Dessa vibrationer ger i sin tur upphov till ljud vilket kan samlas in och omvandlas till data att analyseras. Melaninets uppdrag i kroppen är att absorbera ljus för att skydda underliggande vävnad vilket innebär att det även kommer att absorbera mycket av ljuset som används för att ge upphov till den fotoakustiska effekten. Detta innebär att melanom har en tydlig signatur i datan vilket gör att den är lätt att känna igen. Samma ljusabsorberande fenomen finns inte i samma utbredning hos en BCC-tumör vilket gör att den är svårare att särskilja från hälsosam hudvävnad och det är här detta projekt kommer in i bilden. Är det möjligt att träna en AI att känna igen BCC? I så fall, hur hade metoden som fungerat tidigare behövt förändras? Dessa är frågor som projektet försöker besvara.

Det slutar inte där, vi har ytterligare ett problem. Normalt sett när man tränar en AI krävs stora mängder data för att göra den generell nog att kunna hantera samtliga variationer av det man vill lära den känna igen. Vilket är något som stämmer även i detta fall men problemet uppstår när man inser att alla människor är olika och så även våra tumörer och omkringliggande hälsosamma vävnad. Man behöver alltså skapa en enorm mängd data där man är säker på tumörens fulla utbredning i samtliga fall. Detta är varför vi förespråkar att använda patientspecifika AI-modeller där modellen tränas på data för vävnad som med säkerhet är frisk respektive tumörvävnad. Denna modell används sedan för att klassificera resten av vävnaden som man inte garanterat kan säga är tumör och på så sätt träna en AI som blir expert på att känna igen vad som är tumörvävnad hos just denna patient.

• author: Tham, Melvin
• supervisor: Victor Olariu; Alexander Degener
• organization: Department of Physics
• course: FYSM34 20251
• year: 2025
• type: H2 - Master's Degree (Two Years)
• subject: Physics and Astronomy
• language: English
• id: 9209722
• date added to LUP: 2025-08-15 14:04:19
• date last changed: 2025-08-15 14:04:19