När kirurger tar bort cancer, en av de första frågorna är "Fick de allt?" Forskare från Rice University och University of Texas MD Anderson Cancer Center har skapat ett nytt mikroskop som snabbt och billigt kan avbilda stora vävnadssnitt, potentiellt under operation, för att hitta svaret.

Mikroskopet kan snabbt avbilda relativt tjocka bitar av vävnad med cellupplösning, och kunde tillåta kirurger att inspektera tumörernas marginaler inom några minuter efter att de tagits bort. Den skapades av ingenjörer och tillämpade fysiker vid Rice och beskrivs i en studie som publicerades denna vecka i Proceedings of the National Academy of Sciences .

"Huvudmålet med operationen är att ta bort alla cancerceller, men det enda sättet att veta om du har allt är att titta på tumören i mikroskop, " sa Rice's Mary Jin, en Ph.D. student i el- och datateknik och medförfattare till studien. "I dag, du kan bara göra det genom att först skära vävnaden i extremt tunna sektioner och sedan avbilda dessa sektioner separat. Denna skivningsprocess kräver dyr utrustning och den efterföljande avbildningen av flera skivor är tidskrävande. Vårt projekt syftar till att i princip avbilda stora delar av vävnad direkt, utan skivning."

Rice's djupinlärning utökade skärpedjupsmikroskop, eller DeepDOF, använder sig av en artificiell intelligensteknik känd som djupinlärning för att träna en datoralgoritm för att optimera både bildinsamling och bildefterbehandling.

Med ett typiskt mikroskop, det finns en avvägning mellan rumslig upplösning och skärpedjup, vilket innebär att bara saker som är på samma avstånd från objektivet kan bringas tydligt i fokus. Funktioner som är till och med några miljondelar av en meter närmare eller längre från mikroskopets objektiv kommer att se suddiga ut. Av denna anledning, Mikroskopprover är vanligtvis tunna och monterade mellan objektglas.

Objektglas används för att undersöka tumörmarginaler idag, och de är inte lätta att förbereda. Borttagen vävnad skickas vanligtvis till ett sjukhuslabb, där experter antingen fryser in den eller förbereder den med kemikalier innan de gör rakbladstunna skivor och monterar dem på objektglas. Processen är tidskrävande och kräver specialiserad utrustning och arbetare med kvalificerad utbildning. Det är sällsynt att sjukhus har möjlighet att undersöka objektglas för tumörmarginaler under operation, och sjukhus i många delar av världen saknar nödvändig utrustning och expertis.

"Nuvarande metoder för att förbereda vävnad för utvärdering av marginalstatus under operation har inte förändrats nämnvärt sedan de först introducerades för över 100 år sedan, " sa studiens medförfattare Ann Gillenwater, M.D., professor i huvud- och nackkirurgi vid MD Anderson. "Genom att föra möjligheten att exakt bedöma marginalstatus till fler behandlingsställen, DeepDOF har potential att förbättra resultaten för cancerpatienter som behandlas med kirurgi."

Jins Ph.D. rådgivare, studie medförfattare Ashok Veeraraghavan, nämnda DeepDOF använder ett standard optiskt mikroskop i kombination med en billig optisk fasmask som kostar mindre än $10 för att avbilda hela vävnadsbitar och leverera skärpedjup så mycket som fem gånger större än dagens toppmoderna mikroskop.

"Traditionellt, bildutrustning som kameror och mikroskop är designade separat från bildbehandlingsprogram och algoritmer, " sa studiens medledare Yubo Tang, en postdoktoral forskarassistent i labbet av den medförfattare Rebecca Richards-Kortum. "DeepDOF är ett av de första mikroskopen som är designade med efterbehandlingsalgoritmen i åtanke."

Fasmasken placeras över mikroskopets objektiv för att modulera ljuset som kommer in i mikroskopet.

"Modulationen möjliggör bättre kontroll av djupberoende oskärpa i bilderna som tas med mikroskopet, sa Veeraraghavan, en bildexpert och docent i el- och datateknik på Rice. "Denna kontrollen hjälper till att säkerställa att de oskärpa algoritmerna som tillämpas på de tagna bilderna troget återställer högfrekvent texturinformation över ett mycket bredare djupområde än konventionella mikroskop."

DeepDOF gör detta utan att offra rumslig upplösning, han sa.

"Faktiskt, både fasmaskmönstret och parametrarna för suddighetsalgoritmen lärs in tillsammans med hjälp av ett djupt neuralt nätverk, vilket gör att vi kan förbättra prestandan ytterligare, " sa Veeraraghavan.

DeepDOF använder ett neuralt nätverk för djupinlärning, ett expertsystem som kan lära sig att fatta mänskliga beslut genom att studera stora mängder data. För att träna DeepDOF, forskare visade det 1, 200 bilder från en databas med histologiska diabilder. Från det, DeepDOF lärde sig hur man väljer den optimala fasmasken för att avbilda ett visst prov och den lärde sig också hur man eliminerar oskärpa från bilderna som den tar från provet, få celler från olika djup i fokus.

"När den valda fasmasken är utskriven och integrerad i mikroskopet, systemet fångar bilder i ett enda pass och ML (maskininlärning)-algoritmen gör suddningen, " sa Veeraraghavan.

Richards-Kortum, Rice's Malcolm Gillis University Professor, professor i bioteknik och chef för Rice 360° Institute for Global Health, nämnda DeepDOF kan fånga och bearbeta bilder på så lite som två minuter.

"Vi har validerat tekniken och visat principbevis, ", sade Richards-Kortum. "En klinisk studie behövs för att ta reda på huruvida DeepDOF kan användas som föreslagits för marginalbedömning under operation. Vi hoppas kunna påbörja klinisk validering under det kommande året."