El aprendizaje profundo acelera la obtención de imágenes fotoacústicas de superresolución

La imagen fotoacústica es una técnica híbrida que se utiliza para adquirir información molecular, anatómica y funcional a partir de imágenes que varían en tamaño desde micras hasta milímetros, a profundidades desde cientos de micras hasta varios centímetros. Un enfoque de imágenes fotoacústicas de súper resolución, en el que se superponen múltiples cuadros de imagen del objetivo para lograr una resolución espacial extremadamente alta, puede localizar objetivos muy pequeños, como glóbulos rojos o gotas de tinte inyectado. Este método de "imágenes de localización" mejora significativamente la resolución espacial en estudios clínicos, pero se logra a expensas de la resolución temporal.

Un equipo de investigación multinacional ha utilizado tecnología de aprendizaje profundo para aumentar drásticamente la velocidad de adquisición de imágenes sin sacrificar la calidad de la imagen, tanto para microscopía fotoacústica (PAM) como para tomografía computarizada fotoacústica (PACT). El método basado en inteligencia artificial (IA), descrito en Luz: ciencia y aplicaciones, proporciona un aumento de 12 veces en la velocidad de obtención de imágenes y una reducción de más de 10 veces en la cantidad de imágenes requeridas. Este avance podría permitir el uso de técnicas de localización de imágenes fotoacústicas en aplicaciones preclínicas o clínicas que requieren alta velocidad y resolución espacial fina, como estudios de respuesta instantánea a fármacos.

Las imágenes fotoacústicas utilizan excitación óptica y detección ultrasónica para permitir múltiples escalas. in vivo imágenes. La técnica funciona haciendo brillar pulsos láser cortos sobre biomoléculas, que absorben los pulsos de luz de excitación, experimentan una expansión termoelástica transitoria y transforman su energía en ondas ultrasónicas. Estas ondas fotoacústicas luego son detectadas por un transductor de ultrasonido y utilizadas para producir imágenes PAM o PACT.

Investigadores de Universidad Pohang de Ciencia y Tecnología (POSTECH) y California Institute of Technology han desarrollado una estrategia computacional basada en redes neuronales profundas (DNN) que pueden reconstruir imágenes de superresolución de alta densidad a partir de muchos menos cuadros de imágenes sin procesar. El marco basado en aprendizaje profundo emplea dos modelos DNN distintos: un modelo 3D para localización volumétrica sin etiquetas PAM de resolución óptica (OR-PAM); y un modelo 2D para localización plana etiquetada PACT.

Investigador principal Chul Hong Kim, director de POSTECH Centro de innovación de dispositivos médicos, y sus colegas explican que la red de localización OR-PAM contiene capas convolucionales 3D para mantener la información estructural 3D de las imágenes volumétricas, mientras que la red de localización PACT tiene capas convolucionales 2D. Los DNN aprenden transformaciones de vóxel a vóxel o de píxel a píxel a partir de una imagen fotoacústica basada en localización densa o dispersa. Los investigadores entrenaron ambas redes simultáneamente y, a medida que avanza el entrenamiento, las redes aprenden la distribución de imágenes reales y sintetizan nuevas imágenes que son más similares a las reales.

Para probar su enfoque, los investigadores utilizaron OR-PAM para obtener imágenes de una región de interés en la oreja de un ratón. Utilizando 60 fotogramas seleccionados al azar, reconstruyeron una imagen OR-PAM de localización densa, utilizada como objetivo para el entrenamiento y como verdad del terreno para la evaluación. También reconstruyeron imágenes OR-PAM de localización dispersa utilizando menos cuadros, para ingresarlas en los DNN. El tiempo de obtención de imágenes para la imagen densa fue de 30 segundos, mientras que para una imagen dispersa que utiliza cinco cuadros, fue de solo 2.5 segundos.

Las imágenes densas y generadas por DNN tenían una relación señal-ruido más alta y visualizaban la conectividad de los vasos mejor que la imagen dispersa. En particular, un vaso sanguíneo que era invisible en la imagen escasa se reveló con alto contraste en la imagen basada en la localización DNN.

Los investigadores también utilizaron PACT para obtener imágenes del cerebro del ratón. in vivo después de la inyección de gotas de tinte. Reconstruyeron una imagen PACT de localización densa utilizando 240,000 gotas de tinte, además de una imagen escasa con 20,000 gotas. El tiempo de obtención de imágenes se redujo de 30 minutos para la imagen densa a 2.5 minutos para la imagen dispersa. La morfología vascular fue difícil de reconocer en la imagen escasa, mientras que las imágenes densas y DNN visualizaron claramente la microvasculatura.

Una ventaja particular de aplicar el marco DNN a las imágenes fotoacústicas es que es escalable, desde microscopía hasta tomografía computarizada y, por lo tanto, podría usarse para diversas aplicaciones preclínicas y clínicas en diferentes escalas. Una aplicación práctica podría ser el diagnóstico de afecciones y enfermedades de la piel que requieren información estructural precisa. Y como el marco puede reducir significativamente el tiempo de obtención de imágenes, podría hacer viable la monitorización de la hemodinámica cerebral y la actividad neuronal.

"La resolución temporal mejorada hace posible un seguimiento de alta calidad mediante el muestreo a una velocidad más alta, lo que permite el análisis de cambios rápidos que no se pueden observar con la resolución temporal baja convencional", concluyen los autores.

El puesto El aprendizaje profundo acelera la obtención de imágenes fotoacústicas de superresolución apareció por primera vez en Mundo de la física.

• Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
• CriptoHawk. Radar de altcoins. Prueba gratis.
• Fuente: https://physicsworld.com/a/deep-learning-accelerates-super-solving-photoacoustic-imaging/