Pembelajaran mendalam mempercepat pencitraan fotoakustik resolusi super

Pencitraan fotoakustik adalah teknik hibrid yang digunakan untuk memperoleh informasi molekuler, anatomi, dan fungsional dari gambar dengan ukuran mulai dari mikron hingga milimeter, pada kedalaman mulai dari ratusan mikron hingga beberapa sentimeter. Pendekatan pencitraan fotoakustik resolusi super – di mana beberapa bingkai gambar target ditumpangkan untuk mencapai resolusi spasial yang sangat tinggi – dapat melokalisasi target yang sangat kecil, seperti sel darah merah atau tetesan pewarna yang disuntikkan. Metode “pencitraan lokalisasi” ini secara signifikan meningkatkan resolusi spasial dalam studi klinis, namun dicapai dengan mengorbankan resolusi temporal.

Sebuah tim peneliti multinasional telah menggunakan teknologi pembelajaran mendalam untuk meningkatkan kecepatan perolehan gambar secara signifikan tanpa mengorbankan kualitas gambar, baik untuk mikroskop fotoakustik (PAM) maupun tomografi komputer fotoakustik (PACT). Metode berbasis kecerdasan buatan (AI), dijelaskan dalam Cahaya: Sains dan Aplikasi, memberikan peningkatan kecepatan pencitraan 12 kali lipat dan pengurangan jumlah gambar yang diperlukan lebih dari 10 kali lipat. Kemajuan ini memungkinkan penggunaan teknik pencitraan fotoakustik lokalisasi dalam aplikasi praklinis atau klinis yang memerlukan kecepatan tinggi dan resolusi spasial yang baik, seperti studi tentang respons obat seketika.

Pencitraan fotoakustik menggunakan eksitasi optik dan deteksi ultrasonik untuk mengaktifkan multiskala in vivo pencitraan. Teknik ini bekerja dengan menyinari pulsa laser pendek ke biomolekul, yang menyerap pulsa cahaya eksitasi, mengalami ekspansi termo-elastis sementara, dan mengubah energinya menjadi gelombang ultrasonik. Gelombang fotoakustik ini kemudian dideteksi oleh transduser ultrasonik dan digunakan untuk menghasilkan gambar PAM atau PACT.

Peneliti dari Pohang Universitas Sains dan Teknologi (POSTECH) dan California Institute of Technology telah mengembangkan strategi komputasi berdasarkan jaringan saraf dalam (DNN) yang dapat merekonstruksi gambar resolusi super kepadatan tinggi dari bingkai gambar mentah yang jauh lebih sedikit. Kerangka kerja berbasis pembelajaran mendalam menggunakan dua model DNN yang berbeda: model 3D untuk PAM resolusi optik lokalisasi bebas label volumetrik (OR-PAM); dan model 2D untuk lokalisasi berlabel planar PACT.

penyelidik utama Chulhong Kim, direktur POSTECH Pusat Inovasi Alat Kesehatan, dan rekannya menjelaskan bahwa jaringan untuk lokalisasi OR-PAM berisi lapisan konvolusional 3D untuk mempertahankan informasi struktural 3D dari gambar volumetrik, sedangkan jaringan untuk lokalisasi PACT memiliki lapisan konvolusional 2D. DNN mempelajari transformasi voxel-to-voxel atau pixel-to-pixel baik dari gambar fotoakustik berbasis lokalisasi yang jarang atau padat. Para peneliti melatih kedua jaringan secara bersamaan dan, seiring berjalannya pelatihan, jaringan mempelajari distribusi gambar nyata dan mensintesis gambar baru yang lebih mirip dengan gambar asli.

Untuk menguji pendekatan mereka, para peneliti menggunakan OR-PAM untuk menggambarkan wilayah tertentu di telinga tikus. Dengan menggunakan 60 frame yang dipilih secara acak, mereka merekonstruksi gambar OR-PAM lokalisasi padat, yang digunakan sebagai target pelatihan dan kebenaran dasar untuk evaluasi. Mereka juga merekonstruksi gambar OR-PAM lokalisasi renggang menggunakan lebih sedikit frame, untuk dimasukkan ke dalam DNN. Waktu pencitraan untuk gambar padat adalah 30 s, sedangkan untuk gambar jarang yang menggunakan lima frame, hanya 2.5 s.

Gambar yang padat dan dihasilkan DNN memiliki rasio signal-to-noise yang lebih tinggi dan memvisualisasikan konektivitas kapal lebih baik daripada gambar yang jarang. Khususnya, pembuluh darah yang tidak terlihat pada gambar yang jarang terlihat dengan kontras tinggi pada gambar berbasis lokalisasi DNN.

Para peneliti juga menggunakan PACT untuk menggambarkan otak tikus in vivo setelah injeksi tetesan pewarna. Mereka merekonstruksi gambar PACT lokalisasi padat menggunakan 240,000 tetesan pewarna, ditambah gambar jarang menggunakan 20,000 tetesan. Waktu pencitraan dikurangi dari 30 menit untuk gambar padat menjadi 2.5 menit untuk gambar jarang. Morfologi vaskular sulit dikenali pada gambar yang jarang, sedangkan gambar DNN dan gambar padat dengan jelas memvisualisasikan mikrovaskular.

Keuntungan khusus penerapan kerangka DNN pada pencitraan fotoakustik adalah bahwa kerangka tersebut dapat diskalakan, mulai dari mikroskop hingga tomografi komputer, sehingga dapat digunakan untuk berbagai aplikasi praklinis dan klinis pada skala berbeda. Salah satu penerapan praktisnya adalah diagnosis kondisi dan penyakit kulit yang memerlukan informasi struktural yang akurat. Dan karena kerangka ini dapat mengurangi waktu pencitraan secara signifikan, maka pemantauan hemodinamik otak dan aktivitas saraf dapat dilakukan.

“Resolusi temporal yang ditingkatkan memungkinkan pemantauan berkualitas tinggi dengan pengambilan sampel pada tingkat yang lebih tinggi, memungkinkan analisis perubahan cepat yang tidak dapat diamati dengan resolusi temporal rendah konvensional,” para penulis menyimpulkan.

Pos Pembelajaran mendalam mempercepat pencitraan fotoakustik resolusi super muncul pertama pada Dunia Fisika.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://physicsworld.com/a/deep-learning-accelerates-super-solving-photoacoustic-imaging/