Syväoppiminen nopeuttaa superresoluutioista fotoakustista kuvantamista

Fotoakustinen kuvantaminen on hybriditekniikka, jota käytetään molekyylien, anatomisten ja toiminnallisten tietojen hankkimiseen kuvista, joiden koko vaihtelee mikroneista millimetreihin, satojen mikroneiden ja useiden senttimetrien syvyyksistä. Superresoluutioinen fotoakustinen kuvantamismenetelmä – jossa useita kohteen kuvakehyksiä asetetaan päällekkäin erittäin korkean avaruudellisen resoluution saavuttamiseksi – voi paikantaa hyvin pieniä kohteita, kuten punasoluja tai ruiskutetun väriaineen pisaroita. Tämä "lokalisaatiokuvaus" -menetelmä parantaa merkittävästi kliinisissä tutkimuksissa spatiaalista erottelukykyä, mutta se saavutetaan ajallisen resoluution kustannuksella.

Monikansallinen tutkimusryhmä on käyttänyt syväoppimisteknologiaa lisätäkseen dramaattisesti kuvanottonopeutta kuvanlaadusta tinkimättä sekä fotoakustisessa mikroskopiassa (PAM) että fotoakustisessa tietokonetomografiassa (PACT). Tekoälyyn (AI) perustuva menetelmä, joka on kuvattu kohdassa Valo: Tiede ja sovellukset, tarjoaa 12-kertaisen lisäyksen kuvantamisnopeuteen ja yli 10-kertaiseksi tarvittavien kuvien määrään. Tämä edistysaskel voisi mahdollistaa lokalisoinnin fotoakustisten kuvantamistekniikoiden käytön prekliinisissä tai kliinisissä sovelluksissa, jotka vaativat sekä suurta nopeutta että hienoa avaruudellista resoluutiota, kuten välittömän lääkevasteen tutkimukset.

Fotoakustinen kuvantaminen käyttää optista viritystä ja ultraäänitunnistusta mahdollistaakseen monimittakaavan in vivo kuvantaminen. Tekniikka toimii loistamalla lyhyitä laserpulsseja biomolekyyleihin, jotka absorboivat viritysvalopulsseja, läpikäyvät ohimenevän lämpöelastisen laajenemisen ja muuttavat energiansa ultraääniaalloiksi. Nämä fotoakustiset aallot havaitaan sitten ultraäänimuuntimella ja niitä käytetään joko PAM- tai PACT-kuvien tuottamiseen.

Tutkijat Pohangin tiede- ja teknologiayliopisto (POSTECH) ja Kalifornian teknillinen korkeakoulu ovat kehittäneet syvällisiin hermoverkkoihin (DNN) perustuvan laskennallisen strategian, joka pystyy rekonstruoimaan suuritiheyksisiä superresoluutiokuvia paljon harvemmista raakakuvakehyksistä. Syväoppimiseen perustuva viitekehys käyttää kahta erillistä DNN-mallia: 3D-malli volyymitarrattomaan lokalisointiin optisella resoluutiolla PAM (OR-PAM); ja 2D-malli tasomerkitylle lokalisoinnille PACT.

Päätutkija Chulhong Kim, POSTECHin johtaja Lääketieteellisten laitteiden innovaatiokeskus, ja kollegat selittävät, että lokalisointiverkko OR-PAM sisältää 3D-konvoluutiokerroksia tilavuuskuvien 3D-rakenneinformaation ylläpitämiseksi, kun taas PACT-paikannusverkossa on 2D-konvoluutiokerroksia. DNN:t oppivat vokselista vokseliin tai pikselista pikseliin muunnoksia joko harvasta tai tiheästä lokalisointiin perustuvasta fotoakustisesta kuvasta. Tutkijat kouluttivat molempia verkostoja samanaikaisesti, ja koulutuksen edetessä verkostot oppivat todellisten kuvien jakautumisen ja syntetisoivat uusia, todellisia enemmän muistuttavia kuvia.

Testatakseen lähestymistapaansa tutkijat käyttivät OR-PAM:ia kuvaamaan kiinnostavan alueen hiiren korvassa. Käyttämällä 60 satunnaisesti valittua kehystä he rekonstruoivat tiheän lokalisoinnin OR-PAM-kuvan, jota käytettiin harjoittelun kohteena ja arvioinnin pohjatotuus. He myös rekonstruoivat harvat lokalisoidut OR-PAM-kuvat käyttämällä vähemmän kehyksiä syötettäväksi DNN-verkkoihin. Tiheän kuvan kuvausaika oli 30 s, kun taas viittä kehystä käyttävässä harvassa kuvassa se oli vain 2.5 s.

Tiheillä ja DNN:n luomilla kuvilla oli korkeampi signaali-kohinasuhde ja se visualisoi verisuonen liitettävyyden paremmin kuin harvassa kuvassa. Erityisesti verisuoni, joka oli näkymätön harvassa kuvassa, paljastettiin suurella kontrastilla DNN-lokalisointiin perustuvassa kuvassa.

Tutkijat käyttivät myös PACT:ia hiiren aivojen kuvaamiseen in vivo väripisaroiden ruiskutuksen jälkeen. He rekonstruoivat tiheän lokalisoituneen PACT-kuvan käyttämällä 240,000 20,000 väripisaraa sekä harvan kuvan käyttämällä 30 2.5 pisaraa. Kuvausaikaa lyhennettiin tiheän kuvan XNUMX minuutista XNUMX minuuttiin harvassa kuvassa. Verisuonten morfologiaa oli vaikea tunnistaa harvassa kuvassa, kun taas DNN ja tiheät kuvat visualisoivat selvästi mikroverisuonten.

Erityinen etu DNN-kehyksen soveltamisesta fotoakustiseen kuvantamiseen on, että se on skaalattavissa mikroskopiasta tietokonetomografiaan, ja sitä voidaan siten käyttää erilaisiin prekliinisiin ja kliinisiin sovelluksiin eri mittakaavassa. Yksi käytännön sovellus voisi olla tarkkaa rakennetietoa vaativien ihosairauksien ja sairauksien diagnosointi. Ja koska kehys voi merkittävästi lyhentää kuvantamisaikaa, se voisi tehdä aivojen hemodynamiikan ja hermosolujen toiminnan seurannan mahdolliseksi.

"Parannettu ajallinen resoluutio mahdollistaa korkealaatuisen seurannan ottamalla näytteitä suuremmalla taajuudella, mikä mahdollistaa nopeiden muutosten analysoinnin, joita ei voida havaita tavanomaisella alhaisella aikaresoluutiolla", kirjoittajat päättelevät.

Viesti Syväoppiminen nopeuttaa superresoluutioista fotoakustista kuvantamista ilmestyi ensin Fysiikan maailma.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/