Dyb læring fremskynder fotoakustisk billeddannelse i superopløsning

Fotoakustisk billeddannelse er en hybridteknik, der bruges til at erhverve molekylær, anatomisk og funktionel information fra billeder i størrelse fra mikron til millimeter, i dybder fra hundreder af mikron til flere centimeter. En fotoakustisk billedbehandlingstilgang med superopløsning – hvor flere billedrammer af målet er overlejret for at opnå ekstrem høj rumlig opløsning – kan lokalisere meget små mål, såsom røde blodlegemer eller dråber af injiceret farvestof. Denne "lokaliseringsbilleddannelse"-metode forbedrer markant den rumlige opløsning i kliniske undersøgelser, men opnås på bekostning af tidsmæssig opløsning.

Et multinationalt forskerhold har brugt deep-learning-teknologi til dramatisk at øge billedoptagelseshastigheden uden at ofre billedkvaliteten til både fotoakustisk mikroskopi (PAM) og fotoakustisk computertomografi (PACT). Den kunstig intelligens (AI)-baserede metode, beskrevet i Lys: Videnskab og applikationer, giver en 12-fold stigning i billedhastighed og en mere end 10-fold reduktion i antallet af nødvendige billeder. Dette fremskridt kunne muliggøre brug af lokaliseringsfotoakustiske billeddannelsesteknikker i prækliniske eller kliniske applikationer, der kræver både høj hastighed og fin rumlig opløsning, såsom undersøgelser af øjeblikkelig lægemiddelrespons.

Fotoakustisk billeddannelse bruger optisk excitation og ultralydsdetektion for at muliggøre multiskala in vivo billeddannelse. Teknikken fungerer ved at skinne korte laserimpulser på biomolekyler, som absorberer excitationslysimpulserne, gennemgår forbigående termo-elastisk ekspansion og omdanner deres energi til ultralydsbølger. Disse fotoakustiske bølger detekteres derefter af en ultralydstransducer og bruges til at producere enten PAM- eller PACT-billeder.

Forskere fra Pohang University of Science and Technology (POSTECH) og California Institute of Technology har udviklet en beregningsstrategi baseret på dybe neurale netværk (DNN'er), der kan rekonstruere high-density super-resolution billeder fra langt færre rå billedrammer. Den dybe læringsbaserede ramme anvender to forskellige DNN-modeller: en 3D-model for volumetrisk etiketfri lokalisering med optisk opløsning PAM (OR-PAM); og en 2D-model for planmærket lokalisering PACT.

Ledende efterforsker Chulhong Kim, direktør for POSTECH's Medical Device Innovation Center, og kolleger forklarer, at netværket til lokalisering OR-PAM indeholder 3D-foldningslag for at vedligeholde den 3D-strukturelle information af de volumetriske billeder, mens netværket til lokalisering PACT har 2D-foldningslag. DNN'erne lærer voxel-til-voxel eller pixel-til-pixel transformationer fra enten et sparsomt eller et tæt lokaliseringsbaseret fotoakustisk billede. Forskerne trænede begge netværk samtidigt, og efterhånden som træningen skrider frem, lærer netværkene distributionen af ​​rigtige billeder og syntetiserer nye billeder, der minder mere om virkelige.

For at teste deres tilgang brugte forskerne OR-PAM til at afbilde et område af interesse i et museøre. Ved hjælp af 60 tilfældigt udvalgte rammer rekonstruerede de et tæt lokaliserings-OR-PAM-billede, brugt som mål for træning og grundsandheden til evaluering. De rekonstruerede også sparsomme lokaliserings-OR-PAM-billeder ved hjælp af færre frames til input i DNN'erne. Billedbehandlingstiden for det tætte billede var 30 s, hvorimod det for et sparsomt billede med fem billeder kun var 2.5 s.

De tætte og DNN-genererede billeder havde højere signal-til-støj-forhold og visualiserede fartøjsforbindelse bedre end det sparsomme billede. Navnlig blev et blodkar, der var usynligt i det sparsomme billede, afsløret med høj kontrast i det DNN-lokaliseringsbaserede billede.

Forskerne brugte også PACT til at afbilde musehjernen in vivo efter injektion af farvedråber. De rekonstruerede et tæt lokaliserings-PACT-billede ved hjælp af 240,000 farvedråber plus et sparsomt billede ved hjælp af 20,000 dråber. Billeddannelsestiden blev reduceret fra 30 minutter for det tætte billede til 2.5 minutter for det sparsomme billede. Den vaskulære morfologi var svær at genkende i det sparsomme billede, hvorimod DNN og tætte billeder tydeligt visualiserede mikrovaskulaturen.

En særlig fordel ved at anvende DNN-rammerne til fotoakustisk billeddannelse er, at den er skalerbar, fra mikroskopi til computertomografi, og dermed kan bruges til forskellige prækliniske og kliniske anvendelser på forskellige skalaer. En praktisk anvendelse kunne være diagnosticering af hudsygdomme og sygdomme, der kræver nøjagtige strukturelle oplysninger. Og da rammen kan reducere billeddannelsestiden betydeligt, kan det gøre overvågning af hjernens hæmodynamik og neuronal aktivitet mulig.

"Den forbedrede tidsmæssige opløsning gør overvågning af høj kvalitet mulig ved at tage prøver med en højere hastighed, hvilket muliggør analyse af hurtige ændringer, der ikke kan observeres med konventionel lav tidsmæssig opløsning," konkluderer forfatterne.

Stillingen Dyb læring fremskynder fotoakustisk billeddannelse i superopløsning dukkede først på Fysik verden.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/