O aprendizado profundo acelera a geração de imagens fotoacústicas de super-resolução

A imagem fotoacústica é uma técnica híbrida usada para adquirir informações moleculares, anatômicas e funcionais de imagens que variam em tamanho de mícrons a milímetros, em profundidades de centenas de mícrons a vários centímetros. Uma abordagem de imagem fotoacústica de super-resolução – na qual vários quadros de imagem do alvo são sobrepostos para alcançar uma resolução espacial extremamente alta – pode localizar alvos muito pequenos, como glóbulos vermelhos ou gotículas de corante injetado. Este método de “imagem de localização” melhora significativamente a resolução espacial em estudos clínicos, mas é alcançado às custas da resolução temporal.

Uma equipe de pesquisa multinacional usou tecnologia de aprendizagem profunda para aumentar drasticamente a velocidade de aquisição de imagens sem sacrificar a qualidade da imagem, tanto para microscopia fotoacústica (PAM) quanto para tomografia computadorizada fotoacústica (PACT). O método baseado em inteligência artificial (IA), descrito em Luz: Ciência e Aplicações, proporciona um aumento de 12 vezes na velocidade de geração de imagens e uma redução de mais de 10 vezes no número de imagens necessárias. Este avanço poderia permitir o uso de técnicas de imagem fotoacústica de localização em aplicações pré-clínicas ou clínicas que requerem alta velocidade e resolução espacial fina, como estudos de resposta instantânea a medicamentos.

A imagem fotoacústica usa excitação óptica e detecção ultrassônica para permitir multiescala in vivo imagem. A técnica funciona lançando pulsos curtos de laser sobre biomoléculas, que absorvem os pulsos de luz de excitação, sofrem expansão termoelástica transitória e transformam sua energia em ondas ultrassônicas. Essas ondas fotoacústicas são então detectadas por um transdutor de ultrassom e usadas para produzir imagens PAM ou PACT.

pesquisadores da Pohang Universidade de Ciência e Tecnologia (POSTECH) e California Institute of Technology desenvolveram uma estratégia computacional baseada em redes neurais profundas (DNNs) que podem reconstruir imagens de super-resolução de alta densidade a partir de muito menos quadros de imagem bruta. A estrutura baseada em aprendizado profundo emprega dois modelos DNN distintos: um modelo 3D para PAM de resolução óptica de localização sem rótulo volumétrico (OR-PAM); e um modelo 2D para localização rotulada planar PACT.

Investigador principal Chulhong Kim, diretor da POSTECH Centro de Inovação de Dispositivos Médicos, e colegas explicam que a rede para localização OR-PAM contém camadas convolucionais 3D para manter as informações estruturais 3D das imagens volumétricas, enquanto a rede para localização PACT possui camadas convolucionais 2D. Os DNNs aprendem transformações de voxel para voxel ou pixel para pixel a partir de uma imagem fotoacústica baseada em localização esparsa ou densa. Os pesquisadores treinaram as duas redes simultaneamente e, à medida que o treinamento avança, as redes aprendem a distribuição de imagens reais e sintetizam novas imagens mais semelhantes às reais.

Para testar sua abordagem, os pesquisadores usaram o OR-PAM para obter imagens de uma região de interesse na orelha de um rato. Usando 60 quadros selecionados aleatoriamente, eles reconstruíram uma imagem OR-PAM de localização densa, usada como alvo para treinamento e base para avaliação. Eles também reconstruíram imagens OR-PAM de localização esparsa usando menos quadros, para entrada nos DNNs. O tempo de imagem para a imagem densa foi de 30 s, enquanto para uma imagem esparsa usando cinco quadros foi de apenas 2.5 s.

As imagens densas e geradas por DNN apresentaram maior relação sinal-ruído e visualizaram melhor a conectividade da embarcação do que a imagem esparsa. Notavelmente, um vaso sanguíneo invisível na imagem esparsa foi revelado com alto contraste na imagem baseada na localização do DNN.

Os pesquisadores também usaram o PACT para obter imagens do cérebro do rato in vivo após a injeção de gotículas de corante. Eles reconstruíram uma imagem PACT de localização densa usando 240,000 gotículas de corante, além de uma imagem esparsa usando 20,000 gotículas. O tempo de imagem foi reduzido de 30 minutos para a imagem densa para 2.5 minutos para a imagem esparsa. A morfologia vascular foi difícil de reconhecer na imagem esparsa, enquanto o DNN e as imagens densas visualizaram claramente a microvasculatura.

Uma vantagem particular da aplicação da estrutura DNN à imagem fotoacústica é que ela é escalonável, desde microscopia até tomografia computadorizada, e assim pode ser usada para diversas aplicações pré-clínicas e clínicas em diferentes escalas. Uma aplicação prática poderia ser o diagnóstico de condições e doenças da pele que requerem informações estruturais precisas. E como a estrutura pode reduzir significativamente o tempo de imagem, poderia tornar viável o monitoramento da hemodinâmica cerebral e da atividade neuronal.

“A resolução temporal aprimorada possibilita o monitoramento de alta qualidade por meio de amostragem em uma taxa mais alta, permitindo a análise de mudanças rápidas que não podem ser observadas com a baixa resolução temporal convencional”, concluem os autores.

O posto O aprendizado profundo acelera a geração de imagens fotoacústicas de super-resolução apareceu pela primeira vez em Mundo da física.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Fonte: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/