Globoko učenje pospeši fotoakustično slikanje v super ločljivosti

Fotoakustično slikanje je hibridna tehnika, ki se uporablja za pridobivanje molekularnih, anatomskih in funkcionalnih informacij iz slik velikosti od mikronov do milimetrov, na globinah od sto mikronov do nekaj centimetrov. Pristop fotoakustičnega slikanja z visoko ločljivostjo – pri katerem je več slikovnih okvirjev tarče prekritih, da se doseže izjemno visoka prostorska ločljivost – lahko lokalizira zelo majhne tarče, kot so rdeče krvne celice ali kapljice vbrizganega barvila. Ta metoda "lokalizacijskega slikanja" bistveno izboljša prostorsko ločljivost v kliničnih študijah, vendar je dosežena na račun časovne ločljivosti.

Večnacionalna raziskovalna skupina je uporabila tehnologijo globokega učenja za dramatično povečanje hitrosti pridobivanja slik, ne da bi pri tem žrtvovala kakovost slik, tako za fotoakustično mikroskopijo (PAM) kot za fotoakustično računalniško tomografijo (PACT). Metoda, ki temelji na umetni inteligenci (AI), opisana v Svetloba: Znanost in aplikacije, zagotavlja 12-kratno povečanje hitrosti slikanja in več kot 10-kratno zmanjšanje števila potrebnih slik. Ta napredek bi lahko omogočil uporabo lokalizacijskih tehnik fotoakustičnega slikanja v predkliničnih ali kliničnih aplikacijah, ki zahtevajo visoko hitrost in fino prostorsko ločljivost, kot so študije trenutnega odziva na zdravila.

Fotoakustično slikanje uporablja optično vzbujanje in ultrazvočno zaznavanje, da omogoči večrazsežnost vivo slikanje. Tehnika deluje tako, da kratke laserske impulze usmeri na biomolekule, ki absorbirajo vzbujevalne svetlobne impulze, se podvržejo prehodni termoelastični ekspanziji in pretvorijo svojo energijo v ultrazvočne valove. Te fotoakustične valove nato zazna ultrazvočni pretvornik in jih uporabi za izdelavo slik PAM ali PACT.

Raziskovalci iz Univerza za znanost in tehnologijo Pohang (POSTECH) in Kalifornijski tehnološki inštitut so razvili računalniško strategijo, ki temelji na globokih nevronskih mrežah (DNN), ki lahko rekonstruirajo slike visoke ločljivosti visoke gostote iz veliko manj neobdelanih slikovnih okvirjev. Ogrodje, ki temelji na poglobljenem učenju, uporablja dva različna modela DNN: 3D model za volumetrično lokalizacijo brez oznak in optično ločljivost PAM (OR-PAM); in 2D model za ravninsko označeno lokalizacijo PACT.

Glavni raziskovalec Chulhong Kim, direktor podjetja POSTECH's Center za inovacije medicinskih pripomočkov, in sodelavci pojasnjujejo, da omrežje za lokalizacijo OR-PAM vsebuje 3D konvolucijske plasti za vzdrževanje 3D strukturnih informacij volumetričnih slik, medtem ko ima omrežje za lokalizacijo PACT 2D konvolucijske plasti. DNN-ji se učijo transformacij od voksela do voksla ali od piksla do piksla iz redke ali goste fotoakustične slike, ki temelji na lokalizaciji. Raziskovalci so usposabljali obe omrežji hkrati in, ko usposabljanje napreduje, se omrežja naučijo distribucije resničnih slik in sintetizirajo nove slike, ki so bolj podobne resničnim.

Da bi preizkusili svoj pristop, so raziskovalci uporabili OR-PAM za slikanje interesne regije v mišjem ušesu. Z uporabo 60 naključno izbranih okvirjev so rekonstruirali sliko OR-PAM z gosto lokalizacijo, ki je bila uporabljena kot cilj za usposabljanje in osnovna resnica za oceno. Prav tako so rekonstruirali redke lokalizacijske slike OR-PAM z uporabo manj okvirjev za vnos v DNN. Čas slikanja za gosto sliko je bil 30 s, medtem ko je bil za redko sliko s petimi sličicami le 2.5 s.

Goste slike in slike, ustvarjene z DNN, so imele višje razmerje med signalom in šumom in bolje vizualizirale povezljivost žil kot redka slika. Zlasti krvna žila, ki je bila nevidna na redki sliki, je bila razkrita z visokim kontrastom na sliki, ki temelji na lokalizaciji DNN.

Raziskovalci so uporabili tudi PACT za slikanje mišjih možganov vivo po vbrizganju kapljic barvila. Rekonstruirali so gosto lokalizacijsko sliko PACT z uporabo 240,000 kapljic barvila in redko sliko z 20,000 kapljicami. Čas slikanja se je zmanjšal s 30 minut za gosto sliko na 2.5 minute za redko sliko. Vaskularno morfologijo je bilo težko prepoznati na redki sliki, medtem ko so DNN in goste slike jasno prikazale mikrovaskulaturo.

Posebna prednost uporabe ogrodja DNN za fotoakustično slikanje je, da je razširljiv, od mikroskopije do računalniške tomografije, in se tako lahko uporablja za različne predklinične in klinične aplikacije na različnih lestvicah. Ena praktična uporaba bi lahko bila diagnoza kožnih stanj in bolezni, ki zahtevajo natančne strukturne informacije. In ker lahko okvir znatno skrajša čas slikanja, bi lahko omogočil spremljanje možganske hemodinamike in nevronske aktivnosti.

"Izboljšana časovna ločljivost omogoča visokokakovostno spremljanje z vzorčenjem pri višji stopnji, kar omogoča analizo hitrih sprememb, ki jih ni mogoče opaziti s konvencionalno nizko časovno ločljivostjo," zaključujejo avtorji.

Pošta Globoko učenje pospeši fotoakustično slikanje v super ločljivosti pojavil prvi na Svet fizike.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/