Deep Learning beschleunigt die superauflösende photoakustische Bildgebung

Die photoakustische Bildgebung ist eine Hybridtechnik, die verwendet wird, um molekulare, anatomische und funktionelle Informationen aus Bildern mit einer Größe von Mikrometern bis Millimetern in Tiefen von Hunderten von Mikrometern bis zu mehreren Zentimetern zu erfassen. Ein superauflösender photoakustischer Bildgebungsansatz – bei dem mehrere Einzelbilder des Ziels überlagert werden, um eine extrem hohe räumliche Auflösung zu erreichen – kann sehr kleine Ziele wie rote Blutkörperchen oder Tröpfchen eines injizierten Farbstoffs lokalisieren. Dieses „localization imaging“-Verfahren verbessert die räumliche Auflösung in klinischen Studien deutlich, geht aber zu Lasten der zeitlichen Auflösung.

Ein multinationales Forschungsteam hat Deep-Learning-Technologie eingesetzt, um die Bilderfassungsgeschwindigkeit ohne Einbußen bei der Bildqualität sowohl für die photoakustische Mikroskopie (PAM) als auch für die photoakustische Computertomographie (PACT) drastisch zu erhöhen. Das auf künstlicher Intelligenz (KI) basierende Verfahren, beschrieben in Licht: Wissenschaft und Anwendungen, bietet eine 12-fache Erhöhung der Bildgebungsgeschwindigkeit und eine mehr als 10-fache Reduzierung der Anzahl der erforderlichen Bilder. Dieser Fortschritt könnte die Verwendung von photoakustischen Bildgebungstechniken zur Lokalisierung in vorklinischen oder klinischen Anwendungen ermöglichen, die sowohl eine hohe Geschwindigkeit als auch eine feine räumliche Auflösung erfordern, wie z. B. Studien der sofortigen Arzneimittelreaktion.

Die photoakustische Bildgebung verwendet optische Anregung und Ultraschalldetektion, um Multiskalen zu ermöglichen in vivo Bildgebung. Bei der Technik werden Biomoleküle mit kurzen Laserpulsen bestrahlt, die die Anregungslichtpulse absorbieren, sich transient thermo-elastisch ausdehnen und ihre Energie in Ultraschallwellen umwandeln. Diese photoakustischen Wellen werden dann von einem Ultraschallwandler erfasst und verwendet, um entweder PAM- oder PACT-Bilder zu erzeugen.

Forscher aus Pohang University of Science and Technology (POSTECH) und California Institute of Technology haben eine Rechenstrategie entwickelt, die auf tiefen neuronalen Netzen (DNNs) basiert, die hochauflösende Bilder mit hoher Dichte aus weit weniger Rohbildframes rekonstruieren können. Das Deep-Learning-basierte Framework verwendet zwei unterschiedliche DNN-Modelle: ein 3D-Modell für volumetrische markierungsfreie Lokalisierung mit optischer Auflösung PAM (OR-PAM); und ein 2D-Modell für planar markierten Lokalisierungs-PACT.

Hauptermittler Chulhong Kim, Direktor von POSTECH Innovationszentrum für Medizinprodukte, und Kollegen erklären, dass das Netzwerk für die Lokalisierung OR-PAM 3D-Faltungsschichten enthält, um die 3D-Strukturinformationen der volumetrischen Bilder beizubehalten, während das Netzwerk für die Lokalisierung PACT 2D-Faltungsschichten aufweist. Die DNNs lernen Voxel-zu-Voxel- oder Pixel-zu-Pixel-Transformationen entweder aus einem spärlichen oder einem dichten lokalisierungsbasierten photoakustischen Bild. Die Forscher trainierten beide Netzwerke gleichzeitig und mit fortschreitendem Training lernten die Netzwerke die Verteilung realer Bilder und synthetisierten neue Bilder, die realen ähnlicher sind.

Um ihren Ansatz zu testen, nutzten die Forscher OR-PAM, um einen interessierenden Bereich in einem Mausohr abzubilden. Unter Verwendung von 60 zufällig ausgewählten Frames rekonstruierten sie ein dichtes Lokalisierungs-OR-PAM-Bild, das als Ziel für das Training und als Grundwahrheit für die Bewertung verwendet wurde. Sie rekonstruierten auch spärliche Lokalisierungs-OR-PAM-Bilder mit weniger Frames für die Eingabe in die DNNs. Die Aufnahmezeit für das dichte Bild betrug 30 s, während sie für ein dünnbesetztes Bild mit fünf Einzelbildern nur 2.5 s betrug.

Die dichten und DNN-generierten Bilder hatten ein höheres Signal-Rausch-Verhältnis und visualisierten die Gefäßkonnektivität besser als das spärliche Bild. Bemerkenswerterweise wurde ein Blutgefäß, das in dem spärlichen Bild unsichtbar war, mit hohem Kontrast in dem auf DNN-Lokalisation basierenden Bild gezeigt.

Die Forscher verwendeten PACT auch, um das Mausgehirn abzubilden in vivo nach Injektion von Farbstofftröpfchen. Sie rekonstruierten ein dichtes Lokalisierungs-PACT-Bild mit 240,000 Farbstofftröpfchen sowie ein spärliches Bild mit 20,000 Tröpfchen. Die Bildgebungszeit wurde von 30 min für das dichte Bild auf 2.5 min für das spärliche Bild reduziert. Die vaskuläre Morphologie war in dem spärlichen Bild schwer zu erkennen, während die DNN- und dichten Bilder die Mikrovaskulatur deutlich sichtbar machten.

Ein besonderer Vorteil der Anwendung des DNN-Frameworks auf die photoakustische Bildgebung besteht darin, dass es skalierbar ist, von der Mikroskopie bis zur Computertomographie, und somit für verschiedene vorklinische und klinische Anwendungen in unterschiedlichen Maßstäben verwendet werden könnte. Eine praktische Anwendung könnte die Diagnose von Hautzuständen und -krankheiten sein, die genaue strukturelle Informationen erfordern. Und da das Framework die Bildgebungszeit erheblich verkürzen kann, könnte es die Überwachung der Hämodynamik des Gehirns und der neuronalen Aktivität möglich machen.

„Die verbesserte zeitliche Auflösung ermöglicht eine qualitativ hochwertige Überwachung durch eine höhere Abtastrate, wodurch schnelle Änderungen analysiert werden können, die mit herkömmlicher niedriger zeitlicher Auflösung nicht beobachtet werden können“, schlussfolgern die Autoren.

Die Post Deep Learning beschleunigt die superauflösende photoakustische Bildgebung erschien zuerst auf Physik-Welt.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/