گہرا سیکھنا سپر ریزولوشن فوٹو اکوسٹک امیجنگ کو تیز کرتا ہے۔

فوٹواکوسٹک امیجنگ ایک ہائبرڈ تکنیک ہے جو مائیکرون سے ملی میٹر تک، سیکڑوں مائیکرون سے لے کر کئی سینٹی میٹر تک کی گہرائی میں تصاویر سے مالیکیولر، اناٹومی اور فنکشنل معلومات حاصل کرنے کے لیے استعمال ہوتی ہے۔ ایک سپر ریزولوشن فوٹو اکوسٹک امیجنگ اپروچ - جس میں ہدف کے متعدد تصویری فریموں کو انتہائی اعلیٰ مقامی ریزولوشن حاصل کرنے کے لیے سپرمپوز کیا جاتا ہے - بہت چھوٹے اہداف کو مقامی بنا سکتا ہے، جیسے خون کے سرخ خلیے یا انجکشن شدہ ڈائی کی بوندیں۔ یہ "لوکلائزیشن امیجنگ" طریقہ کلینیکل اسٹڈیز میں مقامی ریزولوشن کو نمایاں طور پر بہتر بناتا ہے، لیکن یہ عارضی حل کی قیمت پر حاصل کیا جاتا ہے۔

ایک کثیر القومی تحقیقی ٹیم نے تصویری معیار کی قربانی کے بغیر تصویر کے حصول کی رفتار کو ڈرامائی طور پر بڑھانے کے لیے فوٹو اکوسٹک مائیکروسکوپی (PAM) اور فوٹواکوسٹک کمپیوٹیڈ ٹوموگرافی (PACT) دونوں کے لیے گہری سیکھنے والی ٹیکنالوجی کا استعمال کیا ہے۔ مصنوعی ذہانت (AI) پر مبنی طریقہ، جس میں بیان کیا گیا ہے۔ روشنی: سائنس اور ایپلی کیشنز، امیجنگ کی رفتار میں 12 گنا اضافہ اور مطلوبہ تصاویر کی تعداد میں 10 گنا سے زیادہ کمی فراہم کرتا ہے۔ یہ پیشگی preclinical یا کلینیکل ایپلی کیشنز میں لوکلائزیشن فوٹوکوسٹک امیجنگ تکنیک کے استعمال کو قابل بنا سکتی ہے جس کے لیے تیز رفتار اور عمدہ مقامی ریزولوشن دونوں کی ضرورت ہوتی ہے، جیسے کہ فوری طور پر دوائیوں کے ردعمل کا مطالعہ۔

Photoacoustic امیجنگ ملٹی اسکیل کو فعال کرنے کے لیے آپٹیکل ایکسائٹیشن اور الٹراسونک ڈٹیکشن کا استعمال کرتی ہے۔ vivo میں امیجنگ یہ تکنیک مختصر لیزر دالوں کو بائیو مالیکیولز پر چمکا کر کام کرتی ہے، جو ہلکی ہلکی دھڑکنوں کو جذب کرتی ہے، عارضی تھرمو لچکدار توسیع سے گزرتی ہے، اور اپنی توانائی کو الٹراسونک لہروں میں تبدیل کرتی ہے۔ ان فوٹوکوسٹک لہروں کا پھر الٹراساؤنڈ ٹرانس ڈوسر کے ذریعے پتہ لگایا جاتا ہے اور PAM یا PACT امیجز بنانے کے لیے استعمال کیا جاتا ہے۔

تحقیق کار پوہانگ یونیورسٹی آف سائنس اور ٹیکنالوجی (POSTECH) اور کیلی فورنیا انسٹی ٹیوٹ آف ٹیکنالوجی کے نے ڈیپ نیورل نیٹ ورکس (DNNs) پر مبنی ایک کمپیوٹیشنل حکمت عملی تیار کی ہے جو بہت کم خام تصویری فریموں سے ہائی ڈینسٹی سپر ریزولوشن امیجز کو دوبارہ تشکیل دے سکتی ہے۔ ڈیپ لرننگ پر مبنی فریم ورک دو الگ الگ DNN ماڈل استعمال کرتا ہے: والیومیٹرک لیبل فری لوکلائزیشن آپٹیکل ریزولوشن PAM (OR-PAM) کے لیے ایک 3D ماڈل؛ اور پلانر لیبل والے لوکلائزیشن PACT کے لیے ایک 2D ماڈل۔

مرکزی تحقیق کار چلہونگ کم، پوسٹیک کے ڈائریکٹر میڈیکل ڈیوائس انوویشن سینٹر، اور ساتھی وضاحت کرتے ہیں کہ لوکلائزیشن OR-PAM کے نیٹ ورک میں 3D convolutional تہوں پر مشتمل ہے تاکہ والیومیٹرک امیجز کی 3D ساختی معلومات کو برقرار رکھا جا سکے، جبکہ لوکلائزیشن PACT کے نیٹ ورک میں 2D convolutional تہیں ہیں۔ DNNs voxel-to-voxel یا pixel-to-pixel تبدیلیاں کسی ویرل یا گھنے لوکلائزیشن پر مبنی photoacoustic امیج سے سیکھتے ہیں۔ محققین نے دونوں نیٹ ورکس کو بیک وقت تربیت دی اور، جیسے جیسے تربیت آگے بڑھتی ہے، نیٹ ورک حقیقی تصاویر کی تقسیم سیکھتے ہیں اور نئی تصاویر کی ترکیب کرتے ہیں جو حقیقی تصویروں سے زیادہ ملتی جلتی ہیں۔

ان کے نقطہ نظر کو جانچنے کے لیے، محققین نے OR-PAM کو ماؤس کے کان میں دلچسپی کے علاقے کی تصویر بنانے کے لیے استعمال کیا۔ 60 تصادفی طور پر منتخب کردہ فریموں کا استعمال کرتے ہوئے، انہوں نے ایک گھنے لوکلائزیشن OR-PAM امیج کو دوبارہ تشکیل دیا، جو تربیت کے ہدف کے طور پر استعمال کیا گیا اور تشخیص کے لیے زمینی سچائی۔ انہوں نے ڈی این این میں ان پٹ کے لیے، کم فریموں کا استعمال کرتے ہوئے ویرل لوکلائزیشن OR-PAM امیجز کو بھی دوبارہ بنایا۔ گھنی تصویر کے لیے امیجنگ کا وقت 30 سیکنڈ تھا، جب کہ پانچ فریموں کا استعمال کرتے ہوئے ایک ویرل امیج کے لیے، یہ صرف 2.5 سیکنڈ تھا۔

گھنے اور DNN سے تیار کردہ تصاویر میں زیادہ سگنل ٹو شور کا تناسب تھا اور ویژولائزڈ ویسل کنیکٹیویٹی ویرل امیج سے بہتر تھی۔ خاص طور پر، ایک خون کی نالی جو ویرل امیج میں پوشیدہ تھی DNN لوکلائزیشن پر مبنی تصویر میں اعلیٰ تضاد کے ساتھ ظاہر ہوئی تھی۔

محققین نے ماؤس کے دماغ کی تصویر بنانے کے لیے PACT کا بھی استعمال کیا۔ vivo میں ڈائی بوندوں کے انجیکشن کے بعد۔ انہوں نے 240,000 ڈائی بوندوں کا استعمال کرتے ہوئے ایک گھنے لوکلائزیشن PACT امیج کو دوبارہ تشکیل دیا، نیز 20,000 بوندوں کا استعمال کرتے ہوئے ایک ویرل تصویر۔ امیجنگ کا وقت گھنے امیج کے لیے 30 منٹ سے کم کر کے ویرل امیج کے لیے 2.5 منٹ کر دیا گیا تھا۔ ویسکولر مورفولوجی کو ویرل امیج میں پہچاننا مشکل تھا، جبکہ ڈی این این اور گھنے امیجز نے مائیکرو واسکولچر کو واضح طور پر دیکھا۔

DNN فریم ورک کو فوٹو اکوسٹک امیجنگ پر لاگو کرنے کا ایک خاص فائدہ یہ ہے کہ یہ مائکروسکوپی سے کمپیوٹیڈ ٹوموگرافی تک توسیع پذیر ہے، اور اس طرح مختلف پیمانے پر مختلف طبی اور طبی ایپلی کیشنز کے لیے استعمال کیا جا سکتا ہے۔ ایک عملی درخواست جلد کی حالتوں اور بیماریوں کی تشخیص ہو سکتی ہے جن کے لیے درست ساختی معلومات کی ضرورت ہوتی ہے۔ اور جیسا کہ فریم ورک امیجنگ کے وقت کو نمایاں طور پر کم کر سکتا ہے، یہ دماغی ہیموڈینامکس اور نیورونل سرگرمی کی نگرانی کو ممکن بنا سکتا ہے۔

مصنفین نے نتیجہ اخذ کیا کہ "بہتر وقتی ریزولوشن اعلیٰ شرح پر نمونے لینے کے ذریعے اعلیٰ معیار کی نگرانی کو ممکن بناتا ہے، جس سے تیز رفتار تبدیلیوں کے تجزیے کی اجازت ملتی ہے جو روایتی کم وقتی ریزولوشن کے ساتھ نہیں دیکھی جا سکتی ہیں،" مصنفین نے نتیجہ اخذ کیا۔

پیغام گہرا سیکھنا سپر ریزولوشن فوٹو اکوسٹک امیجنگ کو تیز کرتا ہے۔ پہلے شائع طبیعیات کی دنیا.

• سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
• پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
• کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
• ماخذ: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/