0
| 本文作者： 李雨晨 | 2019-10-03 12:46 |
雷鋒網消息，近日，蘇黎世聯邦理工學院和蘇黎世大學的科學家宣布，可以利用機器學習方法來改善光聲成像，成果發表在Nature Machine Intelligence上（點擊查看論文鏈接）
“光聲成像”是近年來發展起來的一種非入侵式和非電離式的新型生物醫學成像方法，可用于血管可視化、研究腦活動、表征皮膚病變和診斷乳腺癌等應用。但是，渲染圖像的質量很大程度上取決于設備上的傳感器數量和分布：傳感器的數量越多，圖像質量就越好。
蘇黎世聯邦理工學院的研究人員開發了一種新方法，可以在不放棄最終圖像質量的情況下大幅減少傳感器的數量，進而降低設備成本，提高成像速度或改善診斷。
光聲學在某些方面與超聲成像相似。
在超聲成像中，探頭將超聲波發送到體內，并被組織反射。探頭中的傳感器檢測返回的聲波，隨后生成人體內部的圖像；在光聲成像中，取而代之的是將非常短的激光脈沖發射到組織中，然后被吸收并轉換成超聲波。類似于超聲成像，聲波被檢測并轉換為圖像。
由蘇黎世聯邦理工學院和蘇黎世大學生物醫學成像教授Daniel Razansky領導的團隊探索了一種方法，來提高僅擁有少量超聲傳感器的低成本光聲設備的圖像質量。
為了實現這一目標，他們首先使用了一種自行開發的高端光聲掃描儀，這種掃描儀有512個傳感器，可以提供高質量的圖像。他們通過人工神經網絡對這些圖片進行了分析，從而能夠學習高質量圖像的特征。
接下來，研究人員拿掉了大多數傳感器，只剩下128個或32個傳感器，這對圖像質量產生了不利影響。由于缺乏數據，圖像中出現了被稱為條紋型偽影的失真。
然而，事實證明，先前訓練的神經網絡能夠在很大程度上校正這些失真，從而使圖像質量更接近使用所有512個傳感器獲得的測量結果。
雷鋒網了解到，在光聲技術中，圖像質量不僅隨所用傳感器的數量而提高，而且當從盡可能多的方向捕獲信息時，圖像質量也會提高：傳感器圍繞物體布置的扇區越大，質量越好。研究人員開發的機器學習算法還成功地改善了僅在有限范圍內記錄的圖像的質量。
Razansky說：“這對于臨床應用特別重要，因為激光脈沖無法穿透整個人體，因此成像區域通常只能從一個方向進入。”
科學家們強調，他們的方法并不局限于光聲成像。由于該方法是對重建圖像進行處理，而不是對原始記錄數據進行處理，因此也適用于其他成像技術。“你基本上可以用同樣的方法從任何稀疏數據中生成高質量的圖像，”拉贊斯基說。他解釋說，醫生經常面臨的挑戰是如何解讀來自病人的低質量圖像。“我們證明，這種圖像可以通過人工智能方法得到改善，從而更容易獲得更準確的診斷。”
對于Razansky來說，這項研究工作很好地說明了現有的人工智能方法可以用于什么。他說：“許多人認為人工智能可以代替人類的智能。至少在當前可用的人工智能技術方面，這可能被夸大了。它不能取代人類的創造力，但可能使我們擺脫一些繁瑣而重復的任務。”
在他們目前的研究中，科學家使用了為小動物量身定制的光聲斷層掃描設備，并用小鼠的圖像訓練了機器學習算法。Razansky說，下一步將是將該方法應用于人類患者的光聲圖像。
與光聲學不同，許多成像技術如超聲、X射線或MRI，主要適用于可視化的人體解剖變化。為了獲得額外的功能信息，例如關于血流或代謝變化的信息，患者必須在成像前使用造影劑或放射性示蹤劑。
與此相反的是，光聲學方法可以在不引入造影劑的情況下可視化功能和分子信息。一個例子是組織氧合的局部變化-一種可用于早期診斷的重要癌癥標志。血管中的脂質含量是另一種潛在的疾病標記，可幫助及早發現心血管疾病。
據雷鋒網了解，由于用于光聲成像的光波與其他光波不同，不能完全穿透人體，因此這種方法只適用于研究皮膚下幾厘米深的組織。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
