ETH-forskare använder artificiell intelligens för att förbättra kvaliteten på bilder inspelade med en relativt ny biomedicinsk avbildningsmetod. Detta banar väg för mer exakt diagnos och kostnadseffektiva enheter.

Forskare vid ETH Zürich och universitetet i Zürich har använt maskininlärningsmetoder för att förbättra optoakustisk avbildning. Denna relativt unga medicinska avbildningsteknik kan användas för applikationer som att visualisera blodkärl, studera hjärnaktivitet, karakteriserar hudskador och diagnostiserar bröstcancer. Dock, Kvaliteten på de renderade bilderna är mycket beroende av antalet och fördelningen av sensorer som används av enheten:ju fler av dem, desto bättre bildkvalitet. Det nya tillvägagångssättet som utvecklats av ETH-forskarna möjliggör en avsevärd minskning av antalet sensorer utan att ge upp den resulterande bildkvaliteten. Detta gör det möjligt att minska enhetskostnaden, öka avbildningshastigheten eller förbättra diagnosen.

Optoakustik (se ruta) liknar i vissa avseenden ultraljudsavbildning. I det senare, en sond skickar ultraljudsvågor in i kroppen, som reflekteras av vävnaden. Sensorer i sonden känner av de återkommande ljudvågorna och en bild av kroppens insida genereras därefter. Vid optoakustisk avbildning, mycket korta laserpulser skickas istället in i vävnaden, där de absorberas och omvandlas till ultraljudsvågor. På samma sätt som ultraljud, vågorna upptäcks och omvandlas till bilder.

Korrigerar för bildförvrängningar

Teamet ledd av Daniel Razansky, Professor i biomedicinsk bildbehandling vid ETH Zürich och universitetet i Zürich, sökte efter ett sätt att förbättra bildkvaliteten för billiga optoakustiska enheter som bara har ett litet antal ultraljudssensorer.

Att göra detta, de började med att använda en egenutvecklad high-end optoakustisk skanner med 512 sensorer, som levererade bilder av överlägsen kvalitet. De fick dessa bilder analyserade av ett artificiellt neuralt nätverk, som kunde lära sig funktionerna i högkvalitativa bilder.

Nästa, forskarna kasserade majoriteten av sensorerna, så att bara 128 eller 32 sensorer återstod, med en skadlig effekt på bildkvaliteten. På grund av bristen på data, förvrängningar som kallas artefakter av streaktyp förekom i bilderna. Det visade sig, dock, att det tidigare tränade neurala nätverket till stor del kunde korrigera för dessa förvrängningar, vilket gör att bildkvaliteten kommer närmare de mätningar som erhållits med alla 512-sensorer.

Inom optoakustik, bildkvaliteten ökar inte bara med antalet sensorer som används, men också när informationen fångas från så många håll som möjligt:​​ju större sektor där sensorerna är anordnade runt objektet, desto bättre kvalitet. Den utvecklade maskininlärningsalgoritmen var också framgångsrik i att förbättra kvaliteten på bilder som spelades in från bara en snävt begränsad sektor. "Detta är särskilt viktigt för kliniska tillämpningar, eftersom laserpulserna inte kan penetrera hela människokroppen, därför är det avbildade området normalt endast tillgängligt från en riktning, " enligt Razansky.

Underlättar kliniskt beslutsfattande

Forskarna betonar att deras tillvägagångssätt inte är begränsat till optoakustisk avbildning. Eftersom metoden fungerar på de rekonstruerade bilderna, inte den råa inspelade datan, den är även tillämpbar på andra bildtekniker. "Du kan i princip använda samma metod för att producera högkvalitativa bilder från vilken sorts sparsam data som helst, " säger Razansky. Han förklarar att läkare ofta konfronteras med utmaningen att tolka bilder av dålig kvalitet från patienter. "Vi visar att sådana bilder kan förbättras med AI-metoder, gör det lättare att få en mer exakt diagnos."

För Razansky, detta forskningsarbete är ett bra exempel på vad befintliga metoder för artificiell intelligens kan användas till. "Många tror att AI kan ersätta mänsklig intelligens. Detta är förmodligen överdrivet, åtminstone för den för närvarande tillgängliga AI-tekniken, " säger han. "Det kan inte ersätta mänsklig kreativitet, ändå kan befria oss från något mödosamt, Upprepade uppgifter."

I sin nuvarande forskning, forskarna använde en optoakustisk tomografianordning anpassad för små djur, och tränade maskininlärningsalgoritmerna med bilder från möss. Nästa steg blir att tillämpa metoden på optoakustiska bilder från mänskliga patienter, säger Razansky.

Avslöjar vävnadsfunktion

Till skillnad från optoakustik (även känd som fotoakustik), många bildtekniker, som ultraljud, röntgen eller MR, är främst lämpliga för att visualisera anatomiska förändringar i kroppen. För att få ytterligare funktionell information, till exempel rörande blodflöde eller metabola förändringar, patienten måste ges kontrastmedel eller radioaktiva spårämnen före bildtagningen. I kontrast, den optoakustiska metoden kan visualisera funktionell och molekylär information utan att införa kontrastmedel. Ett exempel är lokala förändringar i vävnadssyresättning - ett viktigt landmärke för cancer som kan användas för tidig diagnos. Lipidhalten i blodkärlen är ännu en potentiell sjukdomsmarkör, vilket kan hjälpa en tidig upptäckt av hjärt-kärlsjukdomar.

Det bör noteras, dock, att eftersom ljusvågorna som används vid optoakustisk avbildning, till skillnad från andra vågor, inte helt penetrera människokroppen, Metoden är endast lämplig för att undersöka vävnader till ett djup av några centimeter under huden.