Học sâu tăng tốc hình ảnh âm thanh siêu phân giải

Hình ảnh quang âm là một kỹ thuật kết hợp được sử dụng để thu nhận thông tin phân tử, giải phẫu và chức năng từ các hình ảnh có kích thước từ micromet đến milimét, ở độ sâu từ hàng trăm micromet đến vài cm. Phương pháp tiếp cận hình ảnh quang âm siêu độ phân giải - trong đó nhiều khung hình ảnh của mục tiêu được xếp chồng lên nhau để đạt được độ phân giải không gian cực cao - có thể xác định vị trí các mục tiêu rất nhỏ, chẳng hạn như các tế bào hồng cầu hoặc các giọt thuốc nhuộm được tiêm vào. Phương pháp "định vị hình ảnh" này cải thiện đáng kể độ phân giải không gian trong các nghiên cứu lâm sàng, nhưng đạt được với chi phí là độ phân giải tạm thời.

Một nhóm nghiên cứu đa quốc gia đã sử dụng công nghệ học sâu để tăng đáng kể tốc độ thu nhận hình ảnh mà không làm giảm chất lượng hình ảnh, cho cả kính hiển vi quang âm (PAM) và chụp cắt lớp vi tính quang âm (PACT). Phương pháp dựa trên trí tuệ nhân tạo (AI), được mô tả trong Ánh sáng: Khoa học và Ứng dụng, cung cấp tốc độ hình ảnh tăng gấp 12 lần và giảm hơn 10 lần số lượng hình ảnh cần thiết. Tiến bộ này có thể cho phép sử dụng các kỹ thuật hình ảnh quang âm bản địa hóa trong các ứng dụng tiền lâm sàng hoặc lâm sàng đòi hỏi cả tốc độ cao và độ phân giải không gian tốt, chẳng hạn như các nghiên cứu về phản ứng tức thời của thuốc.

Hình ảnh quang âm sử dụng kích thích quang học và phát hiện siêu âm để cho phép đa cấp độ trong cơ thể hình ảnh. Kỹ thuật này hoạt động bằng cách chiếu các xung laser ngắn lên các phân tử sinh học, chúng hấp thụ các xung ánh sáng kích thích, trải qua quá trình giãn nở đàn hồi nhiệt thoáng qua và chuyển đổi năng lượng của chúng thành sóng siêu âm. Các sóng quang âm này sau đó được phát hiện bởi một đầu dò siêu âm và được sử dụng để tạo ra hình ảnh PAM hoặc PACT.

Các nhà nghiên cứu từ Đại học Khoa học và Công nghệ Pohang (POSTECH) và Viện Công nghệ California đã phát triển một chiến lược tính toán dựa trên mạng nơ-ron sâu (DNN) có thể tái tạo lại hình ảnh siêu độ phân giải mật độ cao từ các khung hình ảnh thô ít hơn nhiều. Khung dựa trên học sâu sử dụng hai mô hình DNN riêng biệt: mô hình 3D cho PAM độ phân giải quang học nội địa hóa không nhãn thể tích (OR-PAM); và một mô hình 2D cho bản địa hóa có nhãn phẳng PACT.

Điều tra viên chính chulhong kim, giám đốc của POSTECH's Trung tâm đổi mới thiết bị y tế, và các đồng nghiệp giải thích rằng mạng bản địa hóa OR-PAM chứa các lớp phức hợp 3D để duy trì thông tin cấu trúc 3D của hình ảnh thể tích, trong khi mạng bản địa hóa PACT có các lớp phức hợp 2D. Các DNN học các phép biến đổi voxel-to-voxel hoặc pixel-to-pixel từ hình ảnh quang âm dựa trên bản địa hóa thưa thớt hoặc dày đặc. Các nhà nghiên cứu đã đào tạo đồng thời cả hai mạng và khi quá trình đào tạo tiến triển, các mạng sẽ học cách phân phối các hình ảnh thực và tổng hợp các hình ảnh mới giống với hình ảnh thực hơn.

Để kiểm tra cách tiếp cận của họ, các nhà nghiên cứu đã sử dụng OR-PAM để hình ảnh một vùng quan tâm trong tai chuột. Sử dụng 60 khung hình được chọn ngẫu nhiên, họ đã dựng lại hình ảnh OR-PAM được bản địa hóa dày đặc, được sử dụng làm mục tiêu để đào tạo và sự thật cơ bản để đánh giá. Họ cũng tái tạo lại các hình ảnh OR-PAM bản địa hóa thưa thớt bằng cách sử dụng ít khung hơn, để nhập vào các DNN. Thời gian chụp ảnh đối với hình ảnh dày đặc là 30 giây, trong khi đối với hình ảnh thưa thớt sử dụng năm khung hình, nó chỉ là 2.5 giây.

Hình ảnh được tạo ra từ DNN và dày đặc có tỷ lệ tín hiệu trên nhiễu cao hơn và khả năng kết nối tàu trực quan tốt hơn so với hình ảnh thưa thớt. Đáng chú ý, một mạch máu không nhìn thấy được trong hình ảnh thưa thớt đã được tiết lộ với độ tương phản cao trong hình ảnh dựa trên bản địa hóa DNN.

Các nhà nghiên cứu cũng sử dụng PACT để hình ảnh não chuột trong cơ thể sau khi tiêm các giọt thuốc nhuộm. Họ đã tái tạo một hình ảnh PACT bản địa hóa dày đặc bằng cách sử dụng 240,000 giọt thuốc nhuộm, cộng với một hình ảnh thưa thớt sử dụng 20,000 giọt. Thời gian chụp ảnh giảm từ 30 phút đối với hình ảnh dày đặc xuống còn 2.5 phút đối với hình ảnh thưa thớt. Hình thái mạch máu khó nhận ra trong hình ảnh thưa thớt, trong khi hình ảnh DNN và hình ảnh dày đặc cho thấy rõ vi mạch.

Một lợi thế đặc biệt của việc áp dụng khung DNN cho hình ảnh quang âm là nó có thể mở rộng, từ kính hiển vi đến chụp cắt lớp vi tính, và do đó có thể được sử dụng cho các ứng dụng tiền lâm sàng và lâm sàng khác nhau trên các quy mô khác nhau. Một ứng dụng thực tế có thể là chẩn đoán các tình trạng da và bệnh đòi hỏi thông tin cấu trúc chính xác. Và vì khuôn khổ có thể giảm đáng kể thời gian chụp ảnh, nó có thể làm cho việc theo dõi huyết động học của não và hoạt động của tế bào thần kinh trở nên khả thi.

Các tác giả kết luận: “Độ phân giải thời gian được cải thiện giúp cho việc giám sát chất lượng cao có thể bằng cách lấy mẫu ở tốc độ cao hơn, cho phép phân tích những thay đổi nhanh chóng mà không thể quan sát được với độ phân giải thời gian thấp thông thường,” các tác giả kết luận.

Các bài viết Học sâu tăng tốc hình ảnh âm thanh siêu phân giải xuất hiện đầu tiên trên Thế giới vật lý.

• Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
• Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến ​​thức. TRUY CẬP MIỄN PHÍ.
• CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
• Nguồn: https://physicsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/