A mély tanulás felgyorsítja a szuperfelbontású fotoakusztikus képalkotást

A fotoakusztikus képalkotás egy hibrid technika, amellyel molekuláris, anatómiai és funkcionális információkat nyernek mikrontól milliméterig terjedő méretű képekről, több száz mikrontól több centiméteres mélységben. A szuperfelbontású fotoakusztikus képalkotási megközelítés – amelyben a céltárgy több képkockáját egymásra helyezik a rendkívül nagy térbeli felbontás elérése érdekében – nagyon kis célpontokat, például vörösvértesteket vagy befecskendezett festékcseppeket képes lokalizálni. Ez a „lokalizációs képalkotás” módszer jelentősen javítja a térbeli felbontást a klinikai vizsgálatok során, de az időbeli felbontás rovására érhető el.

Egy multinacionális kutatócsoport mély tanulási technológiát alkalmazott a képfelvétel sebességének drámai növelésére a képminőség feláldozása nélkül, mind a fotoakusztikus mikroszkóp (PAM), mind a fotoakusztikus számítógépes tomográfia (PACT) esetében. A mesterséges intelligencia (AI) alapú módszer, amelyet a Fény: Tudomány és alkalmazások, 12-szeres képalkotási sebességnövekedést és több mint 10-szeres csökkenést biztosít a szükséges képek számában. Ez az előrelépés lehetővé teheti a lokalizációs fotoakusztikus képalkotó technikák alkalmazását olyan preklinikai vagy klinikai alkalmazásokban, amelyek nagy sebességet és finom térbeli felbontást is igényelnek, mint például a pillanatnyi gyógyszerválasz vizsgálata.

A fotoakusztikus képalkotás optikai gerjesztést és ultrahangos detektálást használ a többléptékű megjelenítés érdekében in vivo képalkotás. A technika úgy működik, hogy rövid lézerimpulzusokat világít a biomolekulákra, amelyek elnyelik a gerjesztő fényimpulzusokat, átmeneti hő-elasztikus táguláson mennek keresztül, és energiájukat ultrahanghullámokká alakítják. Ezeket a fotoakusztikus hullámokat azután ultrahang-átalakító érzékeli, és PAM vagy PACT képek készítésére használják.

A kutatók a Pohang Tudományos és Technológiai Egyetem (POSTECH) és California Institute of Technology mély neurális hálózatokon (DNN) alapuló számítási stratégiát dolgoztak ki, amely jóval kevesebb nyers képkockából képes nagy sűrűségű szuperfelbontású képeket rekonstruálni. A mélytanuláson alapuló keretrendszer két különböző DNN-modellt alkalmaz: egy 3D-s modellt a volumetrikus címkementes lokalizációhoz, optikai felbontású PAM (OR-PAM); és egy 2D modell a PACT síkcímkés lokalizációhoz.

Kutatásvezető Chulhong Kim, a POSTECH igazgatója Orvosi Eszközök Innovációs Központ, és munkatársai elmagyarázzák, hogy az OR-PAM lokalizációs hálózata 3D konvolúciós rétegeket tartalmaz a térfogati képek 3D szerkezeti információinak fenntartása érdekében, míg a PACT lokalizációs hálózat 2D konvolúciós rétegeket tartalmaz. A DNN-ek voxel-voxel vagy pixel-pixel transzformációkat tanulnak meg egy ritka vagy egy sűrű lokalizáción alapuló fotoakusztikus képről. A kutatók mindkét hálózatot egyszerre képezték ki, és a képzés előrehaladtával a hálózatok megtanulják a valós képek eloszlását, és új képeket szintetizálnak, amelyek jobban hasonlítanak a valódiakhoz.

Megközelítésük tesztelésére a kutatók az OR-PAM-et használták, hogy leképezzék az érdeklődési területet egy egérfülben. 60 véletlenszerűen kiválasztott képkocka felhasználásával rekonstruáltak egy sűrű lokalizációs OR-PAM képet, amelyet a képzés célpontjaként és a kiértékelés alapigazságaként használtak. Emellett kevesebb képkockát használva rekonstruáltak a ritka lokalizációjú OR-PAM képeket a DNN-ekbe való bevitelhez. A sűrű kép képalkotási ideje 30 másodperc volt, míg egy ritka, öt képkockát használó kép esetében mindössze 2.5 s.

A sűrű és DNN által generált képek nagyobb jel-zaj arányt mutattak, és jobban vizualizálták az érkapcsolatot, mint a ritka kép. Nevezetesen, a ritka képen láthatatlan véredény nagy kontraszttal derült ki a DNN lokalizáción alapuló képen.

A kutatók a PACT-ot is felhasználták az egér agyának leképezésére in vivo festékcseppek befecskendezése után. Rekonstruáltak egy sűrű lokalizációs PACT képet 240,000 20,000 festékcsepp felhasználásával, valamint egy ritka képet 30 2.5 csepp felhasználásával. A képalkotási idő XNUMX percről a sűrű képnél XNUMX percre csökkent a ritka képnél. A ritka képen nehéz volt felismerni a vaszkuláris morfológiát, míg a DNN és ​​a sűrű képek egyértelműen a mikrovaszkulatúrát mutatták be.

A DNN keretrendszer fotoakusztikus képalkotásra való alkalmazásának különös előnye, hogy méretezhető, a mikroszkópiától a számítógépes tomográfiáig, és így különböző méretű preklinikai és klinikai alkalmazásokhoz használható. Az egyik gyakorlati alkalmazás olyan bőrbetegségek és betegségek diagnosztizálása lehet, amelyek pontos szerkezeti információt igényelnek. És mivel a keret jelentősen csökkentheti a képalkotási időt, megvalósíthatóvá teheti az agy hemodinamikájának és a neuronális aktivitásnak a monitorozását.

"A javított időbeli felbontás lehetővé teszi a jó minőségű monitorozást nagyobb mintavételezéssel, lehetővé téve a gyors változások elemzését, amelyek nem figyelhetők meg hagyományos alacsony időbeli felbontással" - összegezték a szerzők.

A poszt A mély tanulás felgyorsítja a szuperfelbontású fotoakusztikus képalkotást jelent meg először Fizika Világa.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/