L'apprentissage en profondeur accélère l'imagerie photoacoustique à super résolution

L'imagerie photoacoustique est une technique hybride permettant d'acquérir des informations moléculaires, anatomiques et fonctionnelles à partir d'images allant du micron au millimètre, à des profondeurs allant de plusieurs centaines de microns à plusieurs centimètres. Une approche d’imagerie photoacoustique à super-résolution – dans laquelle plusieurs images de la cible sont superposées pour obtenir une résolution spatiale extrêmement élevée – peut localiser de très petites cibles, telles que des globules rouges ou des gouttelettes de colorant injecté. Cette méthode « d’imagerie de localisation » améliore considérablement la résolution spatiale dans les études cliniques, mais se fait au détriment de la résolution temporelle.

Une équipe de recherche multinationale a utilisé une technologie d'apprentissage en profondeur pour augmenter considérablement la vitesse d'acquisition d'images sans sacrifier la qualité de l'image, tant pour la microscopie photoacoustique (PAM) que pour la tomodensitométrie photoacoustique (PACT). La méthode basée sur l'intelligence artificielle (IA), décrite dans Lumière : science et applications, permet de multiplier par 12 la vitesse d'imagerie et de réduire de plus de 10 fois le nombre d'images requises. Cette avancée pourrait permettre l’utilisation de techniques d’imagerie photoacoustique de localisation dans des applications précliniques ou cliniques nécessitant à la fois une résolution spatiale élevée et fine, telles que les études de réponse instantanée aux médicaments.

L'imagerie photoacoustique utilise l'excitation optique et la détection ultrasonique pour permettre des analyses multi-échelles. in vivo imagerie. La technique fonctionne en projetant de courtes impulsions laser sur des biomolécules, qui absorbent les impulsions lumineuses d’excitation, subissent une expansion thermoélastique transitoire et transforment leur énergie en ondes ultrasonores. Ces ondes photoacoustiques sont ensuite détectées par un transducteur à ultrasons et utilisées pour produire des images PAM ou PACT.

Des chercheurs de Pohang University of Science and Technology (POSTECH) et California Institute of Technology ont développé une stratégie informatique basée sur des réseaux de neurones profonds (DNN) capables de reconstruire des images super-résolution haute densité à partir de beaucoup moins d'images brutes. Le cadre basé sur l'apprentissage en profondeur utilise deux modèles DNN distincts : un modèle 3D pour la PAM à résolution optique de localisation volumétrique sans étiquette (OR-PAM) ; et un modèle 2D pour la localisation planaire étiquetée PACT.

Chercheur principal Chulhong Kim, directeur de POSTECH Centre d'innovation des dispositifs médicaux, et ses collègues expliquent que le réseau de localisation OR-PAM contient des couches convolutives 3D pour conserver les informations structurelles 3D des images volumétriques, tandis que le réseau de localisation PACT comporte des couches convolutives 2D. Les DNN apprennent les transformations voxel à voxel ou pixel à pixel à partir d'une image photoacoustique basée sur la localisation clairsemée ou dense. Les chercheurs ont formé les deux réseaux simultanément et, au fur et à mesure que la formation progresse, les réseaux apprennent la distribution d'images réelles et synthétisent de nouvelles images plus similaires aux images réelles.

Pour tester leur approche, les chercheurs ont utilisé OR-PAM pour imager une région d’intérêt dans l’oreille d’une souris. À l’aide de 60 images sélectionnées au hasard, ils ont reconstruit une image OR-PAM de localisation dense, utilisée comme cible pour la formation et comme vérité terrain pour l’évaluation. Ils ont également reconstruit des images OR-PAM de localisation clairsemée en utilisant moins de trames, pour les saisir dans les DNN. Le temps d’imagerie pour l’image dense était de 30 s, alors que pour une image clairsemée utilisant cinq images, il n’était que de 2.5 s.

Les images denses et générées par DNN présentaient un rapport signal/bruit plus élevé et visualisaient mieux la connectivité des navires que l'image clairsemée. Notamment, un vaisseau sanguin invisible dans l’image clairsemée a été révélé avec un contraste élevé dans l’image basée sur la localisation DNN.

Les chercheurs ont également utilisé PACT pour imager le cerveau de souris in vivo après injection de gouttelettes de colorant. Ils ont reconstruit une image PACT de localisation dense en utilisant 240,000 20,000 gouttelettes de colorant, plus une image clairsemée utilisant 30 2.5 gouttelettes. Le temps d'imagerie a été réduit de XNUMX minutes pour l'image dense à XNUMX minutes pour l'image clairsemée. La morphologie vasculaire était difficile à reconnaître dans l'image clairsemée, alors que les images DNN et denses visualisaient clairement la microvascularisation.

Un avantage particulier de l’application du cadre DNN à l’imagerie photoacoustique est qu’il est évolutif, de la microscopie à la tomodensitométrie, et qu’il pourrait donc être utilisé pour diverses applications précliniques et cliniques à différentes échelles. Une application pratique pourrait être le diagnostic d’affections et de maladies cutanées nécessitant des informations structurelles précises. Et comme ce cadre peut réduire considérablement le temps d’imagerie, il pourrait rendre possible la surveillance de l’hémodynamique cérébrale et de l’activité neuronale.

"La résolution temporelle améliorée rend possible une surveillance de haute qualité en échantillonnant à un taux plus élevé, permettant l'analyse de changements rapides qui ne peuvent pas être observés avec une faible résolution temporelle conventionnelle", concluent les auteurs.

Le poste L'apprentissage en profondeur accélère l'imagerie photoacoustique à super résolution apparaît en premier sur Monde de la physique.

• Coinsmart. Le meilleur échange Bitcoin et Crypto d'Europe.
• Platoblockchain. Intelligence métaverse Web3. Connaissance amplifiée. ACCÈS LIBRE.
• CryptoHawk. Radar Altcoins. Essai gratuit.
• Source : https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/