Optisk koherenstomografi (OCT) är en icke-invasiv avbildningsmetod som kan ge 3D-information av biologiska prover. Den första generationen av OCT-system var baserade på tidsdomänavbildning, med hjälp av en mekanisk skanningsuppsättning. Dock, den relativt långsamma datainsamlingshastigheten för dessa tidigare tidsdomän-OCT-system begränsade delvis deras användning för avbildning av levande prover. Införandet av spektral-domän OCT-tekniker med högre känslighet har bidragit till en dramatisk ökning av bildhastighet och kvalitet. OCT används nu flitigt inom diagnostisk medicin, till exempel inom oftalmologi, för att noninvasivt få detaljerade 3D-bilder av näthinnan och underliggande vävnadsstruktur.

I en ny tidning publicerad i Ljus:Vetenskap och tillämpningar , ett team av forskare från UCLA och University of Houston (UH) har utvecklat en djup inlärningsbaserad OCT-bildrekonstruktionsmetod som framgångsrikt kan generera 3D-bilder av vävnadsprover med betydligt mindre spektrala data än normalt krävs. Genom att använda standardmetoder för bildrekonstruktion som används i oktober, undersamplade spektraldata, där några av spektralmätningarna utelämnas, skulle resultera i allvarliga rumsliga artefakter i de rekonstruerade bilderna, dölja 3D-information och strukturella detaljer för provet som ska visualiseras. I sitt nya tillvägagångssätt, UCLA och UH-forskare tränade ett neuralt nätverk med hjälp av djupinlärning för att snabbt rekonstruera 3D-bilder av vävnadsprover med mycket mindre spektraldata än normalt förvärvat i ett typiskt OCT-system, framgångsrikt ta bort de rumsliga artefakter som observerats i standardmetoder för bildrekonstruktion.

Effektiviteten och robustheten hos denna nya metod demonstrerades genom att avbilda olika vävnadsprover från människa och mus med hjälp av tre gånger mindre spektraldata som fångats av ett toppmodernt sweept-source OCT-system. Körs på grafikprocessorenheter (GPU), det neurala nätverket eliminerade framgångsrikt allvarliga rumsliga artefakter på grund av undersampling och utelämnande av de flesta spektrala datapunkter på mindre än en tusendels sekund för en OCT-bild som består av 512 djupskanningar (A-linjer).

"Dessa resultat belyser den transformativa potentialen hos detta neurala nätverksbaserade ramverk för bildrekonstruktion i OCT, som enkelt kan integreras med olika spektraldomän-OCT-system, att förbättra sin 3D-bildhastighet utan att offra upplösning eller signal-till-brus för de rekonstruerade bilderna, " sa Dr Aydogan Ozcan, kanslerns professor i elektro- och datorteknik vid UCLA och biträdande direktör för California NanoSystems Institute, vem som är den äldre motsvarande författaren till verket.

Denna forskning leds av Dr. Ozcan, i samarbete med Dr Kirill Larin, professor i biomedicinsk teknik vid University of Houston. De andra författarna till detta verk är Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, och Yair Rivenson. Dr. Ozcan har också UCLA-fakultetsutnämningar inom bioteknik och kirurgi, och är HHMI-professor.