Η βαθιά εκμάθηση επιταχύνει την υπερ-ανάλυση φωτοακουστική απεικόνιση

Η φωτοακουστική απεικόνιση είναι μια υβριδική τεχνική που χρησιμοποιείται για την απόκτηση μοριακών, ανατομικών και λειτουργικών πληροφοριών από εικόνες που κυμαίνονται σε μέγεθος από μικρά έως χιλιοστά, σε βάθη από εκατοντάδες μικρά έως αρκετά εκατοστά. Μια προσέγγιση φωτοακουστικής απεικόνισης υπερ-ανάλυσης – στην οποία πολλαπλά καρέ εικόνας του στόχου τοποθετούνται σε υπέρθεση για να επιτευχθεί εξαιρετικά υψηλή χωρική ανάλυση – μπορεί να εντοπίσει πολύ μικρούς στόχους, όπως ερυθρά αιμοσφαίρια ή σταγονίδια έγχυσης χρωστικής. Αυτή η μέθοδος «απεικόνισης εντοπισμού» βελτιώνει σημαντικά τη χωρική ανάλυση στις κλινικές μελέτες, αλλά επιτυγχάνεται σε βάρος της χρονικής ανάλυσης.

Μια πολυεθνική ερευνητική ομάδα χρησιμοποίησε τεχνολογία βαθιάς μάθησης για να αυξήσει δραματικά την ταχύτητα λήψης εικόνας χωρίς να θυσιάζεται η ποιότητα της εικόνας, τόσο για τη φωτοακουστική μικροσκοπία (PAM) όσο και για τη φωτοακουστική υπολογιστική τομογραφία (PACT). Η μέθοδος που βασίζεται στην τεχνητή νοημοσύνη (AI), που περιγράφεται στο Φως: Επιστήμη και Εφαρμογές, παρέχει 12 φορές αύξηση στην ταχύτητα απεικόνισης και περισσότερο από 10 φορές μείωση του αριθμού των εικόνων που απαιτούνται. Αυτή η πρόοδος θα μπορούσε να επιτρέψει τη χρήση τεχνικών φωτοακουστικής απεικόνισης εντοπισμού σε προκλινικές ή κλινικές εφαρμογές που απαιτούν υψηλή ταχύτητα και λεπτή χωρική ανάλυση, όπως μελέτες στιγμιαίας απόκρισης στα φάρμακα.

Η φωτοακουστική απεικόνιση χρησιμοποιεί οπτική διέγερση και ανίχνευση υπερήχων για να ενεργοποιήσει την πολλαπλή κλίμακα ίη νίνο απεικόνισης. Η τεχνική λειτουργεί με τη λάμψη σύντομων παλμών λέιζερ σε βιομόρια, τα οποία απορροφούν τους παλμούς φωτός της διέγερσης, υφίστανται παροδική θερμοελαστική διαστολή και μετατρέπουν την ενέργειά τους σε υπερηχητικά κύματα. Αυτά τα φωτοακουστικά κύματα στη συνέχεια ανιχνεύονται από έναν μορφοτροπέα υπερήχων και χρησιμοποιούνται για την παραγωγή εικόνων είτε PAM είτε PACT.

Ερευνητές από Pohang Πανεπιστήμιο Επιστήμης και Τεχνολογίας (POSTECH) και Ινστιτούτο Τεχνολογίας της Καλιφόρνια έχουν αναπτύξει μια υπολογιστική στρατηγική που βασίζεται σε βαθιά νευρωνικά δίκτυα (DNN) που μπορούν να ανακατασκευάσουν εικόνες υψηλής ανάλυσης υψηλής πυκνότητας από πολύ λιγότερα ακατέργαστα καρέ εικόνας. Το πλαίσιο που βασίζεται σε βαθιά μάθηση χρησιμοποιεί δύο διαφορετικά μοντέλα DNN: ένα τρισδιάστατο μοντέλο για ογκομετρικό εντοπισμό χωρίς ετικέτες οπτικής ανάλυσης PAM (OR-PAM). και ένα δισδιάστατο μοντέλο για επίπεδη επισήμανση εντοπισμού PACT.

Κύριος ερευνητής Τσουλχόνγκ Κιμ, διευθυντής της POSTECH's Κέντρο Καινοτομίας Ιατρικών Συσκευών, και οι συνάδελφοι εξηγούν ότι το δίκτυο για εντοπισμό OR-PAM περιέχει τρισδιάστατα συνελικτικά στρώματα για τη διατήρηση των τρισδιάστατων δομικών πληροφοριών των ογκομετρικών εικόνων, ενώ το δίκτυο για τον εντοπισμό PACT έχει 3D συνελικτικά στρώματα. Τα DNN μαθαίνουν μετασχηματισμούς voxel-to-voxel ή pixel-to-pixel είτε από μια αραιή είτε από μια πυκνή φωτοακουστική εικόνα που βασίζεται σε εντοπισμό. Οι ερευνητές εκπαίδευσαν και τα δύο δίκτυα ταυτόχρονα και, καθώς προχωρά η εκπαίδευση, τα δίκτυα μαθαίνουν τη διανομή πραγματικών εικόνων και συνθέτουν νέες εικόνες που μοιάζουν περισσότερο με πραγματικές.

Για να δοκιμάσουν την προσέγγισή τους, οι ερευνητές χρησιμοποίησαν το OR-PAM για να απεικονίσουν μια περιοχή ενδιαφέροντος σε ένα αυτί ποντικιού. Χρησιμοποιώντας 60 τυχαία επιλεγμένα καρέ, ανακατασκεύασαν μια πυκνή εικόνα εντοπισμού OR-PAM, που χρησιμοποιήθηκε ως στόχος για την εκπαίδευση και η βασική αλήθεια για την αξιολόγηση. Ανακατασκεύασαν επίσης εικόνες αραιής εντοπισμού OR-PAM χρησιμοποιώντας λιγότερα καρέ, για εισαγωγή στα DNN. Ο χρόνος απεικόνισης για την πυκνή εικόνα ήταν 30 δευτερόλεπτα, ενώ για μια αραιή εικόνα που χρησιμοποιεί πέντε καρέ, ήταν μόλις 2.5 δευτερόλεπτα.

Οι πυκνές και δημιουργημένες από DNN εικόνες είχαν υψηλότερη αναλογία σήματος προς θόρυβο και οπτικοποιούσαν τη συνδεσιμότητα του σκάφους καλύτερα από την αραιή εικόνα. Συγκεκριμένα, ένα αιμοφόρο αγγείο που ήταν αόρατο στην αραιή εικόνα αποκαλύφθηκε με υψηλή αντίθεση στην εικόνα που βασίζεται στον εντοπισμό DNN.

Οι ερευνητές χρησιμοποίησαν επίσης το PACT για να απεικονίσουν τον εγκέφαλο του ποντικιού ίη νίνο μετά την έγχυση σταγονιδίων βαφής. Ανακατασκεύασαν μια πυκνή εικόνα PACT εντοπισμού χρησιμοποιώντας 240,000 σταγονίδια βαφής, συν μια αραιή εικόνα χρησιμοποιώντας 20,000 σταγονίδια. Ο χρόνος απεικόνισης μειώθηκε από 30 λεπτά για την πυκνή εικόνα σε 2.5 λεπτά για την αραιή εικόνα. Η μορφολογία των αγγείων ήταν δύσκολο να αναγνωριστεί στην αραιή εικόνα, ενώ το DNN και οι πυκνές εικόνες οραματίστηκαν καθαρά τη μικροαγγείωση.

Ένα ιδιαίτερο πλεονέκτημα της εφαρμογής του πλαισίου DNN στη φωτοακουστική απεικόνιση είναι ότι μπορεί να κλιμακωθεί, από τη μικροσκοπία έως την υπολογιστική τομογραφία, και έτσι θα μπορούσε να χρησιμοποιηθεί για διάφορες προκλινικές και κλινικές εφαρμογές σε διαφορετικές κλίμακες. Μια πρακτική εφαρμογή θα μπορούσε να είναι η διάγνωση δερματικών παθήσεων και ασθενειών που απαιτούν ακριβείς δομικές πληροφορίες. Και καθώς το πλαίσιο μπορεί να μειώσει σημαντικά τον χρόνο απεικόνισης, θα μπορούσε να καταστήσει εφικτή την παρακολούθηση της αιμοδυναμικής του εγκεφάλου και της νευρωνικής δραστηριότητας.

«Η βελτιωμένη χρονική ανάλυση καθιστά δυνατή την παρακολούθηση υψηλής ποιότητας με δειγματοληψία με υψηλότερο ρυθμό, επιτρέποντας την ανάλυση γρήγορων αλλαγών που δεν μπορούν να παρατηρηθούν με συμβατική χαμηλή χρονική ανάλυση», καταλήγουν οι συγγραφείς.

Ο ορθοστάτης Η βαθιά εκμάθηση επιταχύνει την υπερ-ανάλυση φωτοακουστική απεικόνιση εμφανίστηκε για πρώτη φορά σε Κόσμος Φυσικής.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/