Il deep learning accelera l'imaging fotoacustico a super risoluzione

L'imaging fotoacustico è una tecnica ibrida utilizzata per acquisire informazioni molecolari, anatomiche e funzionali da immagini di dimensioni variabili da micron a millimetri, a profondità da centinaia di micron a diversi centimetri. Un approccio di imaging fotoacustico a super risoluzione – in cui più fotogrammi di immagine del bersaglio vengono sovrapposti per ottenere una risoluzione spaziale estremamente elevata – può localizzare bersagli molto piccoli, come globuli rossi o goccioline di colorante iniettato. Questo metodo di “imaging di localizzazione” migliora significativamente la risoluzione spaziale negli studi clinici, ma viene ottenuto a scapito della risoluzione temporale.

Un gruppo di ricerca multinazionale ha utilizzato la tecnologia di deep learning per aumentare notevolmente la velocità di acquisizione delle immagini senza sacrificare la qualità dell’immagine, sia per la microscopia fotoacustica (PAM) che per la tomografia computerizzata fotoacustica (PACT). Il metodo basato sull'intelligenza artificiale (AI), descritto in Luce: scienza e applicazioni, fornisce un aumento di 12 volte della velocità di imaging e una riduzione di oltre 10 volte del numero di immagini richieste. Questo progresso potrebbe consentire l’uso di tecniche di imaging fotoacustico di localizzazione in applicazioni precliniche o cliniche che richiedono sia alta velocità che risoluzione spaziale fine, come gli studi sulla risposta istantanea ai farmaci.

L'imaging fotoacustico utilizza l'eccitazione ottica e il rilevamento ultrasonico per consentire il multiscala in vivo immagine. La tecnica funziona proiettando brevi impulsi laser su biomolecole, che assorbono gli impulsi luminosi di eccitazione, subiscono un'espansione termoelastica transitoria e trasformano la loro energia in onde ultrasoniche. Queste onde fotoacustiche vengono quindi rilevate da un trasduttore a ultrasuoni e utilizzate per produrre immagini PAM o PACT.

ricercatori provenienti da Università di Scienza e Tecnologia di Pohang (POSTECH) e California Institute of Technology hanno sviluppato una strategia computazionale basata su reti neurali profonde (DNN) in grado di ricostruire immagini ad alta densità e super risoluzione da un numero molto inferiore di fotogrammi grezzi. Il framework basato sull'apprendimento profondo impiega due distinti modelli DNN: un modello 3D per la localizzazione volumetrica senza etichetta PAM a risoluzione ottica (OR-PAM); e un modello 2D per la localizzazione planare etichettata PACT.

Investigatore principale Chulhong Kim, direttore di POSTECH Centro di innovazione dei dispositivi medici, e colleghi spiegano che la rete per la localizzazione OR-PAM contiene strati convoluzionali 3D per mantenere le informazioni strutturali 3D delle immagini volumetriche, mentre la rete per la localizzazione PACT ha strati convoluzionali 2D. I DNN apprendono le trasformazioni da voxel a voxel o da pixel a pixel da un'immagine fotoacustica sparsa o densa basata sulla localizzazione. I ricercatori hanno addestrato entrambe le reti contemporaneamente e, man mano che la formazione procede, le reti imparano la distribuzione delle immagini reali e sintetizzano nuove immagini più simili a quelle reali.

Per testare il loro approccio, i ricercatori hanno utilizzato l’OR-PAM per immaginare una regione di interesse nell’orecchio di un topo. Utilizzando 60 fotogrammi selezionati casualmente, hanno ricostruito un'immagine OR-PAM di localizzazione densa, utilizzata come bersaglio per l'addestramento e come base per la valutazione. Hanno anche ricostruito immagini OR-PAM di localizzazione sparsa utilizzando meno fotogrammi, per l'input nelle DNN. Il tempo di imaging per l'immagine densa era di 30  , mentre per un'immagine sparsa che utilizzava cinque fotogrammi era di soli 2.5   s.

Le immagini dense e generate da DNN avevano un rapporto segnale-rumore più elevato e una migliore connettività dei vasi visualizzati rispetto all'immagine sparsa. In particolare, un vaso sanguigno invisibile nell'immagine sparsa è stato rivelato con un contrasto elevato nell'immagine basata sulla localizzazione DNN.

I ricercatori hanno utilizzato PACT anche per ottenere immagini del cervello dei topi in vivo dopo l'iniezione di goccioline di colorante. Hanno ricostruito un'immagine PACT di localizzazione densa utilizzando 240,000 goccioline di colorante, oltre a un'immagine sparsa utilizzando 20,000 goccioline. Il tempo di imaging è stato ridotto da 30 minuti per l'immagine densa a 2.5 minuti per l'immagine sparsa. La morfologia vascolare era difficile da riconoscere nell'immagine sparsa, mentre le immagini DNN e dense visualizzavano chiaramente la microvascolarizzazione.

Un vantaggio particolare dell'applicazione della struttura DNN all'imaging fotoacustico è che è scalabile, dalla microscopia alla tomografia computerizzata, e quindi potrebbe essere utilizzata per varie applicazioni precliniche e cliniche su scale diverse. Un'applicazione pratica potrebbe essere la diagnosi di condizioni e malattie della pelle che richiedono informazioni strutturali accurate. E poiché la struttura può ridurre significativamente i tempi di imaging, potrebbe rendere fattibile il monitoraggio dell’emodinamica cerebrale e dell’attività neuronale.

“La migliore risoluzione temporale rende possibile un monitoraggio di alta qualità campionando a una velocità più elevata, consentendo l’analisi di cambiamenti rapidi che non possono essere osservati con la convenzionale bassa risoluzione temporale”, concludono gli autori.

Il post Il deep learning accelera l'imaging fotoacustico a super risoluzione apparve prima Mondo della fisica.

• Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
• Criptofalco. Radar Altcoin. Prova gratuita.
• Fonte: https://physicsworld.com/a/deep-learning-accelerates-super-length-photoacoustic-imaging/