Głębokie uczenie przyspiesza obrazowanie fotoakustyczne w super rozdzielczości

Obrazowanie fotoakustyczne to technika hybrydowa stosowana do pozyskiwania informacji molekularnych, anatomicznych i funkcjonalnych z obrazów o rozmiarach od mikronów do milimetrów, na głębokościach od setek mikronów do kilku centymetrów. Metoda obrazowania fotoakustycznego o superrozdzielczości – w której nakłada się wiele klatek obrazu celu w celu uzyskania niezwykle wysokiej rozdzielczości przestrzennej – pozwala zlokalizować bardzo małe cele, takie jak czerwone krwinki lub kropelki wstrzykniętego barwnika. Ta metoda „obrazowania lokalizacyjnego” znacząco poprawia rozdzielczość przestrzenną w badaniach klinicznych, ale osiąga się ją kosztem rozdzielczości czasowej.

Międzynarodowy zespół badawczy wykorzystał technologię głębokiego uczenia się, aby radykalnie zwiększyć szybkość pozyskiwania obrazów bez utraty jakości obrazu, zarówno w przypadku mikroskopii fotoakustycznej (PAM), jak i fotoakustycznej tomografii komputerowej (PACT). Metoda oparta na sztucznej inteligencji (AI), opisana w Światło: nauka i zastosowania, zapewnia 12-krotne zwiększenie szybkości obrazowania i ponad 10-krotne zmniejszenie liczby wymaganych obrazów. Postęp ten może umożliwić wykorzystanie technik lokalizacyjnego obrazowania fotoakustycznego w zastosowaniach przedklinicznych lub klinicznych, które wymagają zarówno dużej szybkości, jak i dużej rozdzielczości przestrzennej, takich jak badania natychmiastowej odpowiedzi na lek.

Obrazowanie fotoakustyczne wykorzystuje wzbudzenie optyczne i detekcję ultradźwiękową, aby umożliwić wieloskalowość in vivo obrazowanie. Technika ta polega na świeceniu krótkimi impulsami lasera na biomolekuły, które pochłaniają impulsy światła wzbudzającego, ulegają przejściowej ekspansji termoelastycznej i przekształcają swoją energię w fale ultradźwiękowe. Te fale fotoakustyczne są następnie wykrywane przez przetwornik ultradźwiękowy i wykorzystywane do tworzenia obrazów PAM lub PACT.

Naukowcy z Uniwersytet Nauki i Technologii w Pohang (POSTECH) i California Institute of Technology opracowali strategię obliczeniową opartą na głębokich sieciach neuronowych (DNN), która umożliwia rekonstrukcję obrazów o dużej gęstości i superrozdzielczości na podstawie znacznie mniejszej liczby surowych klatek obrazu. Struktura oparta na głębokim uczeniu się wykorzystuje dwa różne modele DNN: model 3D do wolumetrycznej lokalizacji bez etykiet PAM z rozdzielczością optyczną (OR-PAM); oraz model 2D dla płaskiej lokalizacji oznaczonej PACT.

Główny śledczy Chulhong Kim, dyrektor firmy POSTECH Centrum Innowacji Wyrobów Medycznych, i współpracownicy wyjaśniają, że sieć lokalizacji OR-PAM zawiera warstwy splotowe 3D w celu zachowania informacji strukturalnych 3D obrazów wolumetrycznych, podczas gdy sieć lokalizacji PACT ma warstwy splotowe 2D. Sieci DNN uczą się transformacji woksel na woksel lub piksel na piksel z rzadkiego lub gęstego obrazu fotoakustycznego opartego na lokalizacji. Naukowcy przeszkolili obie sieci jednocześnie i w miarę postępu uczenia sieci uczyły się rozkładu rzeczywistych obrazów i syntetyzowali nowe obrazy, które są bardziej podobne do rzeczywistych.

Aby przetestować swoje podejście, badacze wykorzystali OR-PAM do zobrazowania interesującego obszaru w uchu myszy. Korzystając z 60 losowo wybranych klatek, zrekonstruowali obraz OR-PAM o gęstej lokalizacji, który posłużył jako cel do szkolenia i podstawowa informacja do oceny. Zrekonstruowali także obrazy OR-PAM o rzadkiej lokalizacji, używając mniejszej liczby klatek na potrzeby danych wejściowych do sieci DNN. Czas obrazowania dla obrazu gęstego wynosił 30 s, natomiast dla obrazu rzadkiego wykorzystującego pięć klatek zaledwie 2.5 s.

Obrazy gęste i wygenerowane przez DNN miały wyższy stosunek sygnału do szumu i lepiej wizualizowały łączność statku niż obrazy rzadkie. Warto zauważyć, że naczynie krwionośne, które było niewidoczne na rzadkim obrazie, zostało uwidocznione z wysokim kontrastem na obrazie opartym na lokalizacji DNN.

Naukowcy wykorzystali także PACT do zobrazowania mózgu myszy in vivo po wstrzyknięciu kropelek barwnika. Zrekonstruowali obraz PACT o gęstej lokalizacji przy użyciu 240,000 20,000 kropelek barwnika oraz obraz rzadki przy użyciu 30 2.5 kropelek. Czas obrazowania został skrócony z XNUMX minut dla obrazu gęstego do XNUMX minuty dla obrazu rzadkiego. Morfologia naczyń była trudna do rozpoznania na rzadkim obrazie, podczas gdy obrazy DNN i gęste wyraźnie uwidoczniły mikrokrążenie.

Szczególną zaletą zastosowania struktury DNN do obrazowania fotoakustycznego jest to, że jest ona skalowalna, od mikroskopii po tomografię komputerową, a zatem może być wykorzystywana do różnych zastosowań przedklinicznych i klinicznych w różnej skali. Jednym z praktycznych zastosowań może być diagnostyka schorzeń i chorób skóry wymagających dokładnych informacji strukturalnych. A ponieważ ramy te mogą znacznie skrócić czas obrazowania, mogą umożliwić monitorowanie hemodynamiki mózgu i aktywności neuronów.

„Ulepszona rozdzielczość czasowa umożliwia monitorowanie wysokiej jakości poprzez próbkowanie z większą częstotliwością, co pozwala na analizę szybkich zmian, których nie można zaobserwować przy konwencjonalnej niskiej rozdzielczości czasowej” – podsumowują autorzy.

Post Głębokie uczenie przyspiesza obrazowanie fotoakustyczne w super rozdzielczości pojawiła się najpierw na Świat Fizyki.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://physicsworld.com/a/deep-learning-accelerates-super-activate-photoacoustic-imaging/