Глубокое обучение ускоряет получение фотоакустических изображений сверхвысокого разрешения

Фотоакустическая визуализация представляет собой гибридный метод, используемый для получения молекулярной, анатомической и функциональной информации из изображений размером от микронов до миллиметров на глубине от сотен микрон до нескольких сантиметров. Подход фотоакустической визуализации со сверхвысоким разрешением, при котором несколько кадров изображения цели накладываются друг на друга для достижения чрезвычайно высокого пространственного разрешения, может локализовать очень маленькие цели, такие как эритроциты или капли введенного красителя. Этот метод «визуализации локализации» значительно улучшает пространственное разрешение в клинических исследованиях, но достигается за счет временного разрешения.

Многонациональная исследовательская группа использовала технологию глубокого обучения, чтобы значительно увеличить скорость получения изображений без ущерба для качества изображения как для фотоакустической микроскопии (PAM), так и для фотоакустической компьютерной томографии (PACT). Метод на основе искусственного интеллекта (ИИ), описанный в Свет: наука и приложения, обеспечивает 12-кратное увеличение скорости обработки изображений и более чем 10-кратное сокращение количества необходимых изображений. Этот прогресс может позволить использовать методы фотоакустической визуализации локализации в доклинических или клинических приложениях, которые требуют как высокой скорости, так и высокого пространственного разрешения, таких как исследования мгновенного ответа на лекарство.

Фотоакустическая визуализация использует оптическое возбуждение и ультразвуковое детектирование, чтобы обеспечить многомасштабность. в естественных условиях визуализация. Этот метод работает, направляя короткие лазерные импульсы на биомолекулы, которые поглощают световые импульсы возбуждения, претерпевают кратковременное термоупругое расширение и преобразуют свою энергию в ультразвуковые волны. Затем эти фотоакустические волны обнаруживаются ультразвуковым преобразователем и используются для создания изображений PAM или PACT.

Исследователи из Пхохан университета науки и технологий (ПОСТЕХ) и Калифорнийский технологический институт разработали вычислительную стратегию, основанную на глубоких нейронных сетях (DNN), которая может реконструировать изображения с высокой плотностью сверхвысокого разрешения из гораздо меньшего количества необработанных кадров изображения. Основанная на глубоком обучении структура использует две разные модели DNN: 3D-модель для объемной локализации без меток с оптическим разрешением PAM (OR-PAM); и 2D-модель плоской маркированной локализации PACT.

Главный следователь Чулхонг Ким, директор ПОСТЕХ Инновационный центр медицинского оборудования, и его коллеги объясняют, что сеть для локализации OR-PAM содержит сверточные 3D-слои для сохранения трехмерной структурной информации объемных изображений, в то время как сеть для локализации PACT имеет сверточные 3D-слои. DNN изучают преобразования воксель-воксель или пиксель-в-пиксель из разреженного или плотного фотоакустического изображения на основе локализации. Исследователи обучали обе сети одновременно, и по мере обучения сети изучают распределение реальных изображений и синтезируют новые изображения, более похожие на реальные.

Чтобы проверить свой подход, исследователи использовали OR-PAM для визуализации интересующей области в ухе мыши. Используя 60 случайно выбранных кадров, они реконструировали изображение OR-PAM с плотной локализацией, используемое в качестве цели для обучения и исходной истины для оценки. Они также реконструировали разреженные изображения локализации OR-PAM, используя меньшее количество кадров, для ввода в DNN. Время формирования плотного изображения составляло 30 с, тогда как для разреженного изображения с использованием пяти кадров — всего 2.5 с.

Плотные изображения и изображения, созданные DNN, имели более высокое отношение сигнал/шум и лучше визуализировали связность сосудов, чем разреженное изображение. Примечательно, что кровеносный сосуд, который был невидим на разреженном изображении, был обнаружен с высокой контрастностью на изображении на основе локализации DNN.

Исследователи также использовали PACT для визуализации мозга мыши. в естественных условиях после введения капель красителя. Они реконструировали изображение PACT с плотной локализацией, используя 240,000 20,000 капель красителя, а также разреженное изображение, используя 30 2.5 капель. Время визуализации было сокращено с XNUMX минут для плотного изображения до XNUMX минут для разреженного изображения. Морфологию сосудов было трудно распознать на разреженном изображении, тогда как DNN и плотные изображения четко визуализировали микроциркуляторное русло.

Особое преимущество применения структуры DNN для фотоакустической визуализации заключается в том, что она масштабируема, от микроскопии до компьютерной томографии, и, таким образом, может использоваться для различных доклинических и клинических приложений в разных масштабах. Одним из практических применений может быть диагностика кожных состояний и заболеваний, требующих точной структурной информации. А поскольку структура может значительно сократить время визуализации, она может сделать возможным мониторинг гемодинамики мозга и активности нейронов.

«Улучшенное временное разрешение делает возможным высококачественный мониторинг за счет более высокой частоты дискретизации, что позволяет анализировать быстрые изменения, которые невозможно наблюдать при обычном низком временном разрешении», — заключают авторы.

сообщение Глубокое обучение ускоряет получение фотоакустических изображений сверхвысокого разрешения Появившийся сначала на Мир физики.

• Коинсмарт. Лучшая в Европе биржа биткойнов и криптовалют.
• Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. БЕСПЛАТНЫЙ ДОСТУП.
• КриптоХок. Альткоин Радар. Бесплатная пробная версия.
• Источник: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/