Deep learning versnelt fotoakoestische beeldvorming met superresolutie

Foto-akoestische beeldvorming is een hybride techniek die wordt gebruikt om moleculaire, anatomische en functionele informatie te verwerven uit afbeeldingen die in grootte variëren van micron tot millimeters, op diepten van honderden micron tot enkele centimeters. Een foto-akoestische beeldvormingsbenadering met superresolutie – waarbij meerdere beeldframes van het doel over elkaar heen worden geplaatst om een ​​extreem hoge ruimtelijke resolutie te bereiken – kan zeer kleine doelen lokaliseren, zoals rode bloedcellen of druppels geïnjecteerde kleurstof. Deze ‘localization imaging’-methode verbetert de ruimtelijke resolutie in klinische onderzoeken aanzienlijk, maar gaat ten koste van de temporele resolutie.

Een multinationaal onderzoeksteam heeft deep-learningtechnologie gebruikt om de beeldacquisitiesnelheid dramatisch te verhogen zonder dat dit ten koste gaat van de beeldkwaliteit, voor zowel foto-akoestische microscopie (PAM) als foto-akoestische computertomografie (PACT). De op kunstmatige intelligentie (AI) gebaseerde methode, beschreven in Licht: wetenschap en toepassingen, zorgt voor een twaalfvoudige toename van de beeldsnelheid en een meer dan tienvoudige vermindering van het aantal benodigde afbeeldingen. Deze vooruitgang zou het gebruik van foto-akoestische beeldvormingstechnieken voor lokalisatie mogelijk kunnen maken in preklinische of klinische toepassingen die zowel hoge snelheid als een fijne ruimtelijke resolutie vereisen, zoals onderzoek naar de onmiddellijke respons op geneesmiddelen.

Foto-akoestische beeldvorming maakt gebruik van optische excitatie en ultrasone detectie om multischaal mogelijk te maken in vivo in beeld brengen. De techniek werkt door korte laserpulsen op biomoleculen te laten schijnen, die de excitatielichtpulsen absorberen, een voorbijgaande thermo-elastische uitzetting ondergaan en hun energie transformeren in ultrasone golven. Deze foto-akoestische golven worden vervolgens gedetecteerd door een ultrasone transducer en gebruikt om PAM- of PACT-beelden te produceren.

Onderzoekers van Pohang University of Science and Technology (POSTECH) en California Institute of Technology hebben een computationele strategie ontwikkeld op basis van diepe neurale netwerken (DNN's) die superresolutiebeelden met hoge dichtheid kunnen reconstrueren uit veel minder onbewerkte beeldframes. Het op deep learning gebaseerde raamwerk maakt gebruik van twee verschillende DNN-modellen: een 3D-model voor volumetrische labelvrije lokalisatie PAM met optische resolutie (OR-PAM); en een 2D-model voor planair gelabelde lokalisatie PACT.

Hoofdonderzoeker Chulhong Kim, directeur van POSTECH's Innovatiecentrum voor medische hulpmiddelen, en collega's leggen uit dat het netwerk voor lokalisatie OR-PAM 3D-convolutionele lagen bevat om de 3D-structurele informatie van de volumetrische beelden te behouden, terwijl het netwerk voor lokalisatie PACT 2D-convolutionele lagen heeft. De DNN's leren voxel-naar-voxel- of pixel-naar-pixel-transformaties van een schaars of een compact, op lokalisatie gebaseerd fotoakoestisch beeld. De onderzoekers trainden beide netwerken tegelijkertijd en naarmate de training vordert, leren de netwerken de distributie van echte beelden en synthetiseren ze nieuwe beelden die meer op echte lijken.

Om hun aanpak te testen, gebruikten de onderzoekers OR-PAM om een ​​interessegebied in een muizenoor in beeld te brengen. Met behulp van 60 willekeurig geselecteerde frames reconstrueerden ze een OR-PAM-beeld met hoge lokalisatie, dat werd gebruikt als doelwit voor training en als basiswaarheid voor evaluatie. Ze reconstrueerden ook schaarse lokalisatie-OR-PAM-afbeeldingen met minder frames, voor invoer in de DNN's. De beeldtijd voor het compacte beeld was 30 seconden, terwijl dit voor een schaars beeld met vijf frames slechts 2.5 seconden was.

De dichte en door DNN gegenereerde beelden hadden een hogere signaal-ruisverhouding en visualiseerden de connectiviteit van schepen beter dan het schaarse beeld. Opvallend is dat een bloedvat dat onzichtbaar was in het schaarse beeld, met hoog contrast werd onthuld in het op DNN-lokalisatie gebaseerde beeld.

De onderzoekers gebruikten PACT ook om de hersenen van muizen in beeld te brengen in vivo na injectie van kleurstofdruppeltjes. Ze reconstrueerden een PACT-beeld met hoge lokalisatie met behulp van 240,000 kleurstofdruppeltjes, plus een schaars beeld met behulp van 20,000 druppels. De beeldvormingstijd werd teruggebracht van 30 minuten voor het dichte beeld naar 2.5 minuten voor het schaarse beeld. De vasculaire morfologie was moeilijk te herkennen in het schaarse beeld, terwijl de DNN en de dichte beelden de microvasculatuur duidelijk visualiseerden.

Een bijzonder voordeel van de toepassing van het DNN-framework op foto-akoestische beeldvorming is dat het schaalbaar is, van microscopie tot computertomografie, en dus kan worden gebruikt voor verschillende preklinische en klinische toepassingen op verschillende schaalniveaus. Een praktische toepassing zou de diagnose van huidaandoeningen en ziekten kunnen zijn waarvoor nauwkeurige structurele informatie vereist is. En omdat het raamwerk de beeldvormingstijd aanzienlijk kan verkorten, zou het monitoring van de hersenhemodynamiek en neuronale activiteit mogelijk kunnen maken.

“De verbeterde temporele resolutie maakt monitoring van hoge kwaliteit mogelijk door met een hogere snelheid te samplen, waardoor analyse van snelle veranderingen mogelijk wordt die niet kunnen worden waargenomen met conventionele lage temporele resolutie”, concluderen de auteurs.

De post Deep learning versnelt fotoakoestische beeldvorming met superresolutie verscheen eerst op Natuurkunde wereld.

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Bron: https://physicsworld.com/a/deep-learning-accelerates-super-resolutie-photoacoustic-imaging/