Sügav õppimine kiirendab ülieraldusvõimega fotoakustilist pildistamist

Fotoakustiline pildistamine on hübriidtehnika, mida kasutatakse molekulaarse, anatoomilise ja funktsionaalse teabe saamiseks piltidelt, mille suurus on mikronitest millimeetriteni, sügavustel sadadest mikronitest kuni mitme sentimeetrini. Üliresolutsiooniga fotoakustilise pildistamise lähenemisviis – mille puhul asetatakse ülikõrge ruumilise eraldusvõime saavutamiseks peale mitu sihtmärgi pildikaadrit – võib lokaliseerida väga väikseid sihtmärke, nagu punased verelibled või süstitud värvipiiskad. See lokaliseerimise kujutise meetod parandab kliinilistes uuringutes oluliselt ruumilist eraldusvõimet, kuid see saavutatakse ajalise eraldusvõime arvelt.

Rahvusvaheline uurimisrühm on nii fotoakustilise mikroskoopia (PAM) kui ka fotoakustilise kompuutertomograafia (PACT) jaoks kasutanud süvaõppetehnoloogiat, et märkimisväärselt suurendada kujutise saamise kiirust ilma pildikvaliteeti ohverdamata. Tehisintellektil (AI) põhinev meetod, mida on kirjeldatud aastal Valgus: teadus ja rakendused, suurendab pildistamiskiirust 12 korda ja vähendab vajalike piltide arvu enam kui 10 korda. See edusamm võib võimaldada lokaliseerimise fotoakustiliste pildistamise tehnikate kasutamist prekliinilistes või kliinilistes rakendustes, mis nõuavad nii suurt kiirust kui ka peent ruumilist eraldusvõimet, näiteks hetkelise ravimivastuse uuringud.

Fotoakustiline pildistamine kasutab optilist ergastust ja ultrahelituvastust, et võimaldada mitmeskaalas in vivo pildistamine. Tehnika toimib lühikeste laserimpulsside valgustamisel biomolekulidele, mis neelavad ergastavaid valgusimpulsse, läbivad mööduva termoelastse paisumise ja muudavad nende energia ultrahelilaineteks. Need fotoakustilised lained tuvastatakse seejärel ultrahelianduriga ja neid kasutatakse kas PAM- või PACT-kujutiste saamiseks.

Teadlased Pohangi teadus- ja tehnoloogiaülikool (POSTECH) ja California Institute of Technology on välja töötanud sügavatel närvivõrkudel (DNN) põhineva arvutusstrateegia, mis suudab rekonstrueerida suure tihedusega ülieraldusvõimega pilte palju vähematest töötlemata pildikaadritest. Süvaõppel põhinev raamistik kasutab kahte erinevat DNN-mudelit: 3D-mudel mahuliseks sildivabaks lokaliseerimiseks optilise eraldusvõimega PAM (OR-PAM); ja 2D-mudel tasapinnalise märgistatud lokaliseerimise PACT jaoks.

Põhiuurija Chulhong Kim, POSTECHi direktor Meditsiiniseadmete innovatsioonikeskus, ja kolleegid selgitavad, et lokaliseerimise võrk OR-PAM sisaldab 3D-konvolutsioonikihte, et säilitada mahuliste kujutiste 3D-struktuuriteavet, samas kui PACT-i lokaliseerimise võrgul on 2D-konvolutsioonilised kihid. DNN-id õpivad voksel-voksli või piksli-piksli teisendusi kas hõreda või tiheda lokaliseerimisel põhineva fotoakustilise pildi põhjal. Teadlased koolitasid mõlemat võrgustikku samaaegselt ja koolituse edenedes õpivad võrgud reaalsete piltide jaotust ja sünteesivad uusi pilte, mis on tõelistele rohkem sarnased.

Oma lähenemisviisi testimiseks kasutasid teadlased hiirekõrvas huvipakkuva piirkonna kuvamiseks OR-PAM-i. 60 juhuslikult valitud kaadrit kasutades rekonstrueerisid nad tiheda lokaliseerimisega OR-PAM-kujutise, mida kasutati koolituse sihtmärgina ja hindamisel põhitõena. Samuti rekonstrueerisid nad DNN-i sisestamiseks hõreda lokaliseerimisega OR-PAM-kujutisi, kasutades vähem kaadreid. Tiheda kujutise pildistamisaeg oli 30 s, samas kui viit kaadrit kasutava hõreda pildi puhul oli see vaid 2.5 s.

Tihedatel ja DNN-i genereeritud piltidel oli suurem signaali-müra suhe ja veresoonte ühenduvus visualiseeriti paremini kui hõre pilt. Nimelt ilmnes DNN-i lokaliseerimisel põhineval pildil kõrge kontrastsusega veresoon, mis oli hõredal pildil nähtamatu.

Teadlased kasutasid hiire aju pildistamiseks ka PACT-i in vivo pärast värvipiiskade süstimist. Nad rekonstrueerisid tiheda lokaliseerimise PACT-kujutise, kasutades 240,000 20,000 värvitilka, ja hõreda pildi, kasutades 30 2.5 tilka. Pildistamise aega vähendati XNUMX minutilt tiheda pildi puhul XNUMX, XNUMX minutini hõreda pildi puhul. Vaskulaarset morfoloogiat oli hõreda pildi puhul raske ära tunda, samas kui DNN ja tihedad kujutised visualiseerisid selgelt mikrovaskulatuuri.

DNN-i raamistiku fotoakustilisele pildistamisele rakendamise eriliseks eeliseks on see, et see on skaleeritav, alates mikroskoopiast kuni kompuutertomograafiani, ja seega saab seda kasutada mitmesugustes prekliinilistes ja kliinilistes rakendustes erinevates skaalades. Üks praktiline rakendus võib olla täpset struktuuriteavet nõudvate nahahaiguste ja haiguste diagnoosimine. Ja kuna raamistik võib pildistamisaega märkimisväärselt lühendada, võib see muuta aju hemodünaamika ja neuronaalse aktiivsuse jälgimise teostatavaks.

"Täiustatud ajaline eraldusvõime teeb võimalikuks kvaliteetse seire suurema proovivõtusagedusega, võimaldades analüüsida kiireid muutusi, mida tavapärase madala ajalise eraldusvõimega ei saa jälgida," järeldavad autorid.

Postitus Sügav õppimine kiirendab ülieraldusvõimega fotoakustilist pildistamist ilmus esmalt Füüsika maailm.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/