یادگیری عمیق تصویربرداری فوتوآکوستیک با وضوح فوق العاده را تسریع می کند

تصویربرداری فوتوآکوستیک یک تکنیک ترکیبی است که برای به دست آوردن اطلاعات مولکولی، آناتومیک و عملکردی از تصاویر در اندازه های مختلف از میکرون تا میلی متر، در اعماق صدها میکرون تا چند سانتی متر استفاده می شود. یک رویکرد تصویربرداری فوتوآکوستیک با وضوح فوق العاده - که در آن چندین فریم تصویر از هدف برای دستیابی به وضوح فضایی بسیار بالا روی هم قرار می گیرند - می تواند اهداف بسیار کوچکی مانند گلبول های قرمز خون یا قطرات رنگ تزریقی را مشخص کند. این روش "تصویربرداری محلی سازی" به طور قابل توجهی وضوح فضایی را در مطالعات بالینی بهبود می بخشد، اما با هزینه تفکیک زمانی به دست می آید.

یک تیم تحقیقاتی چند ملیتی از فناوری یادگیری عمیق برای افزایش چشمگیر سرعت گرفتن تصویر بدون کاهش کیفیت تصویر، برای میکروسکوپ فوتوآکوستیک (PAM) و توموگرافی کامپیوتری فوتوآکوستیک (PACT) استفاده کرده است. روش مبتنی بر هوش مصنوعی (AI)، شرح داده شده در نور: علم و کاربردها، افزایش 12 برابری در سرعت تصویربرداری و کاهش بیش از 10 برابری تعداد تصاویر مورد نیاز را فراهم می کند. این پیشرفت می‌تواند استفاده از تکنیک‌های تصویربرداری فوتوآکوستیک محلی‌سازی را در برنامه‌های بالینی یا بالینی که هم به سرعت بالا و هم وضوح فضایی خوب نیاز دارند، مانند مطالعات واکنش فوری به دارو، امکان‌پذیر کند.

تصویربرداری فوتوآکوستیک از تحریک نوری و تشخیص اولتراسونیک برای فعال کردن چند مقیاسی استفاده می‌کند در داخل بدن تصویربرداری این تکنیک با تابش پالس‌های لیزر کوتاه بر روی مولکول‌های زیستی کار می‌کند که پالس‌های نور تحریک را جذب می‌کنند، تحت انبساط گرما الاستیک گذرا قرار می‌گیرند و انرژی آن‌ها را به امواج اولتراسونیک تبدیل می‌کنند. سپس این امواج فوتوآکوستیک توسط یک مبدل اولتراسوند شناسایی شده و برای تولید تصاویر PAM یا PACT استفاده می شود.

محققان از دانشگاه علم و صنعت Pohang (POSTECH) و انستیتو تکنولوژی کالیفرنیا یک استراتژی محاسباتی مبتنی بر شبکه های عصبی عمیق (DNN) ایجاد کرده اند که می تواند تصاویر با وضوح فوق العاده با چگالی بالا را از فریم های تصویر خام بسیار کمتری بازسازی کند. چارچوب مبتنی بر یادگیری عمیق از دو مدل DNN متمایز استفاده می کند: یک مدل سه بعدی برای PAM با وضوح نوری بومی سازی بدون برچسب حجمی (OR-PAM). و یک مدل 3 بعدی برای PACT محلی سازی با برچسب مسطح.

محقق اصلی چولهونگ کیم، مدیر POSTECH مرکز نوآوری تجهیزات پزشکی، و همکاران توضیح می دهند که شبکه محلی سازی OR-PAM حاوی لایه های کانولوشنال سه بعدی برای حفظ اطلاعات ساختاری سه بعدی تصاویر حجمی است، در حالی که شبکه محلی سازی PACT دارای لایه های کانولوشنال دو بعدی است. DNN ها تبدیل وکسل به وکسل یا پیکسل به پیکسل را از یک تصویر فوتوآکوستیک مبتنی بر محلی سازی پراکنده یا متراکم یاد می گیرند. محققان هر دو شبکه را به طور همزمان آموزش دادند و با پیشرفت آموزش، شبکه ها توزیع تصاویر واقعی را یاد می گیرند و تصاویر جدیدی را که بیشتر شبیه به تصاویر واقعی هستند ترکیب می کنند.

برای آزمایش رویکرد خود، محققان از OR-PAM برای تصویربرداری از ناحیه مورد علاقه در گوش موش استفاده کردند. آنها با استفاده از 60 فریم به طور تصادفی انتخاب شده، یک تصویر OR-PAM محلی سازی متراکم را بازسازی کردند که به عنوان هدف برای آموزش و حقیقت پایه برای ارزیابی استفاده می شود. آنها همچنین تصاویر محلی سازی پراکنده OR-PAM را با استفاده از فریم های کمتر برای ورودی به DNN بازسازی کردند. زمان تصویربرداری برای تصویر متراکم 30 ثانیه بود، در حالی که برای یک تصویر پراکنده با استفاده از پنج فریم، فقط 2.5 ثانیه بود.

تصاویر متراکم و تولید شده توسط DNN نسبت سیگنال به نویز بالاتری داشتند و اتصال کشتی را بهتر از تصویر پراکنده نشان می دادند. قابل ذکر است، یک رگ خونی که در تصویر پراکنده نامرئی بود، با کنتراست بالا در تصویر مبتنی بر محلی سازی DNN آشکار شد.

محققان همچنین از PACT برای تصویربرداری از مغز موش استفاده کردند در داخل بدن پس از تزریق قطرات رنگ آنها یک تصویر PACT محلی سازی متراکم را با استفاده از 240,000 قطره رنگ و یک تصویر پراکنده با استفاده از 20,000 قطره بازسازی کردند. زمان تصویربرداری از 30 دقیقه برای تصویر متراکم به 2.5 دقیقه برای تصویر پراکنده کاهش یافت. تشخیص مورفولوژی عروق در تصویر پراکنده دشوار بود، در حالی که تصاویر DNN و متراکم به وضوح ریز عروق را تجسم کردند.

یک مزیت خاص استفاده از چارچوب DNN برای تصویربرداری فوتوآکوستیک این است که مقیاس پذیر است، از میکروسکوپ تا توموگرافی کامپیوتری، و بنابراین می تواند برای کاربردهای مختلف پیش بالینی و بالینی در مقیاس های مختلف استفاده شود. یکی از کاربردهای عملی می تواند تشخیص شرایط پوستی و بیماری هایی باشد که به اطلاعات ساختاری دقیق نیاز دارند. و از آنجایی که چارچوب می تواند زمان تصویربرداری را به میزان قابل توجهی کاهش دهد، می تواند نظارت بر همودینامیک مغز و فعالیت عصبی را امکان پذیر کند.

نویسندگان نتیجه می‌گیرند: «تفکیک زمانی بهبودیافته، نظارت با کیفیت بالا را با نمونه‌برداری با سرعت بالاتر امکان‌پذیر می‌سازد، و امکان تجزیه و تحلیل تغییرات سریعی را فراهم می‌کند که با وضوح زمانی کم معمولی قابل مشاهده نیستند.»

پست یادگیری عمیق تصویربرداری فوتوآکوستیک با وضوح فوق العاده را تسریع می کند به نظر می رسد برای اولین بار در دنیای فیزیک.

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• منبع: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/