Generering av omfattande molekylära bilder av organ och tumörer i levande organismer kan utföras med extremt snabb hastighet med en ny metod för djupinlärning av bildrekonstruktion som utvecklats av forskare vid Rensselaer Polytechnic Institute.

Forskargruppens nya teknik har potential att avsevärt förbättra kvaliteten och hastigheten på avbildning i levande ämnen och var i fokus för en artikel som nyligen publicerades i Ljus:Vetenskap och tillämpningar , en Nature journal.

Komprimerad avkänningsbaserad avbildning är en signalbehandlingsteknik som kan användas för att skapa bilder baserat på en begränsad uppsättning punktmätningar. Nyligen, ett Rensselaer -forskargrupp föreslog ett nytt instrumentellt tillvägagångssätt för att utnyttja denna metod för att förvärva omfattande molekylära datamängder, som rapporterats i Nature Photonics . Även om detta tillvägagångssätt gav mer fullständiga bilder, att bearbeta data och bilda en bild kan ta timmar.

Denna senaste metodik som utvecklats på Rensselaer bygger på den tidigare utvecklingen och har potential att producera bilder i realtid, samtidigt som kvaliteten och användbarheten hos de producerade bilderna förbättras. Detta kan underlätta utvecklingen av personliga läkemedel, förbättra klinisk diagnostik, eller identifiera vävnad som ska skäras ut.

Förutom att ge en övergripande ögonblicksbild av ämnet som undersöks, inklusive de organ eller tumörer som forskare visuellt har riktat in sig med hjälp av florescens, denna avbildningsprocess kan avslöja information om den framgångsrika intracellulära leveransen av läkemedel genom att mäta förfallshastigheten för fluorescensen.

För att möjliggöra nästan realtidsvisualisering av molekylära händelser, forskargruppen har utnyttjat den senaste utvecklingen inom artificiell intelligens. Den kraftigt förbättrade bildrekonstruktionen åstadkoms med hjälp av ett djupinlärningsmetod. Deep learning är en komplex uppsättning algoritmer som är utformade för att lära en dator att känna igen och klassificera data. Specifikt, detta team utvecklade en konvolutionell neural nätverksarkitektur som Rensselaer-forskarna kallar Net-FLICS, som står för fluorescenslivstidsavbildning med komprimerad avkänning.

"Denna teknik är mycket lovande för att få en mer exakt diagnos och behandling, "sa Pingkun Yan, meddirektör för Biomedical Imaging Center på Rensselaer. "Denna teknik kan hjälpa en läkare att bättre visualisera var en tumör är och dess exakta storlek. De kan sedan exakt klippa av tumören istället för att skära en större del och skona de friska, normal vävnad. "

Yan utvecklade detta tillvägagångssätt med motsvarande författare Xavier Intes, den andra meddirektören för Biomedical Imaging Center på Rensselaer, som ingår i Rensselaer Center för bioteknik och tvärvetenskapliga studier. Doktoranderna Marien Ochoa och Ruoyang Yao stödde forskningen.

"I slutet, målet är att översätta dessa till en klinisk miljö. Vanligtvis när du har kliniska system vill du vara så snabb som möjligt, "sade Ochoa, som hon reflekterade över hur snabbt denna nya teknik gör det möjligt för forskare att fånga dessa bilder.

Ytterligare utveckling krävs innan denna banbrytande nya teknik kan användas i kliniska miljöer. Dock, dess framsteg har accelererats genom att införliva simulerade data baserade på modellering, en särskild specialitet för Intes och hans laboratorium.

"För djupinlärning behöver du vanligtvis en mycket stor mängd data för utbildning, men för detta system har vi inte den lyxen ännu eftersom det är ett väldigt nytt system, "sa Yan.

Han sa att teamets forskning också visar att modellering innovativt kan användas vid bildbehandling, exakt utvidga modellen till de verkliga experimentella data.