Глибоке навчання прискорює створення фотоакустичних зображень із супер роздільною здатністю

Фотоакустична візуалізація — це гібридний метод, який використовується для отримання молекулярної, анатомічної та функціональної інформації із зображень розміром від мікронів до міліметрів на глибині від сотень мікрон до кількох сантиметрів. Підхід фотоакустичного зображення з надвисокою роздільною здатністю, при якому кілька кадрів зображення цілі накладаються для досягнення надзвичайно високої просторової роздільної здатності, може локалізувати дуже маленькі цілі, такі як еритроцити або краплі введеного барвника. Цей метод «зображення локалізації» значно покращує просторову роздільну здатність у клінічних дослідженнях, але досягається за рахунок тимчасової роздільної здатності.

Багатонаціональна дослідницька група використала технологію глибокого навчання, щоб значно збільшити швидкість отримання зображень без шкоди для якості зображення як для фотоакустичної мікроскопії (PAM), так і для фотоакустичної комп’ютерної томографії (PACT). Метод на основі штучного інтелекту (ШІ), описаний у Світло: наука та застосування, забезпечує 12-кратне збільшення швидкості зображення та більш ніж 10-кратне зменшення кількості необхідних зображень. Цей прогрес може дозволити використовувати методи локалізації фотоакустичної візуалізації в доклінічних або клінічних застосуваннях, які вимагають як високої швидкості, так і високої просторової роздільної здатності, таких як дослідження миттєвої реакції на ліки.

Фотоакустичне зображення використовує оптичне збудження та ультразвукове детектування для забезпечення багатомасштабності в природних умовах зображення. Техніка працює шляхом випромінювання коротких лазерних імпульсів на біомолекули, які поглинають імпульси збудження світла, зазнають короткочасного термопружного розширення та перетворюють свою енергію в ультразвукові хвилі. Потім ці фотоакустичні хвилі виявляються ультразвуковим перетворювачем і використовуються для створення зображень PAM або PACT.

Дослідники з Університет науки і технологій Поханг (POSTECH) і Каліфорнійський технологічний інститут розробили обчислювальну стратегію, засновану на глибоких нейронних мережах (DNN), які можуть реконструювати зображення високої щільності з надвисокою роздільною здатністю з набагато меншої кількості необроблених кадрів зображення. Структура на основі глибокого навчання використовує дві різні моделі DNN: 3D-модель для об’ємної локалізації без міток і оптичної роздільної здатності PAM (OR-PAM); і 2D-модель для планарної поміченої локалізації PACT.

Головний слідчий Чулхонг Кім, директор POSTECH's Центр інновацій медичного обладнання, і колеги пояснюють, що мережа для локалізації OR-PAM містить 3D згорткові шари для підтримки 3D структурної інформації об’ємних зображень, тоді як мережа для локалізації PACT має 2D згорткові шари. DNN вивчають перетворення від вокселя до вокселя або від пікселя до пікселя з розрідженого або щільного фотоакустичного зображення на основі локалізації. Дослідники тренували обидві мережі одночасно, і в міру навчання мережі вивчали розподіл реальних зображень і синтезували нові зображення, більш схожі на реальні.

Щоб перевірити свій підхід, дослідники використали OR-PAM для зображення цікавої області у вусі миші. Використовуючи 60 випадково вибраних кадрів, вони реконструювали зображення OR-PAM із щільною локалізацією, яке використовувалося як мішень для навчання та основна правда для оцінки. Вони також реконструювали розріджені зображення OR-PAM із використанням меншої кількості кадрів для введення в DNN. Час формування щільного зображення становив 30 с, тоді як для розрідженого зображення з використанням п’яти кадрів він становив лише 2.5 с.

Щільні та згенеровані за допомогою DNN зображення мали вище співвідношення сигнал/шум і краще візуалізували з’єднання судин, ніж розріджене зображення. Примітно, що кровоносна судина, яка була невидимою на розрідженому зображенні, була виявлена ​​з високим контрастом на зображенні на основі локалізації DNN.

Дослідники також використовували PACT для зображення мозку миші в природних умовах після введення крапель барвника. Вони реконструювали зображення PACT із щільною локалізацією, використовуючи 240,000 20,000 крапель барвника, а також розріджене зображення, використовуючи 30 2.5 крапель. Час формування зображення було зменшено з XNUMX хвилин для щільного зображення до XNUMX хвилин для розрідженого зображення. Морфологію судин було важко розпізнати на розрідженому зображенні, тоді як DNN і щільні зображення чітко візуалізували мікроциркуляторне русло.

Особливою перевагою застосування структури DNN для фотоакустичної візуалізації є те, що вона масштабована, від мікроскопії до комп’ютерної томографії, і, отже, може використовуватися для різних доклінічних і клінічних застосувань у різних масштабах. Одним із практичних застосувань може бути діагностика шкірних захворювань і захворювань, які потребують точної структурної інформації. І оскільки каркас може значно скоротити час візуалізації, це може зробити моніторинг гемодинаміки мозку та активності нейронів можливим.

«Покращена часова роздільна здатність робить можливим високоякісний моніторинг за рахунок вибірки з вищою частотою, дозволяючи аналізувати швидкі зміни, які неможливо спостерігати за звичайної низької тимчасової роздільної здатності», — підсумовують автори.

Повідомлення Глибоке навчання прискорює створення фотоакустичних зображень із супер роздільною здатністю вперше з'явився на Світ фізики.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Джерело: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/