Méthodes d'apprentissage automatique d'utilisation de scientifiques pour améliorer la représentation biomédicale

Les scientifiques à ETH Zurich et l'université de Zurich ont employé des méthodes d'apprentissage automatique pour améliorer la représentation optoacoustique. Cette technique d'imagerie médicale relativement jeune peut être employée pour des applications telles que les vaisseaux sanguins de visualisation, étudiant l'activité cérébrale, caractérisant des lésions cutanées et diagnostiquant le cancer du sein. Cependant, la qualité des images rendues dépend très du nombre et de la distribution de détecteurs employés par le dispositif : les plus de eux, plus la qualité des images est meilleure. L'approche neuve développée par les chercheurs d'ETH tient compte de la réduction considérable du nombre de détecteurs sans abandonner sur la qualité des images donnante droit. Ceci permet pour réduire le coût de dispositif, pour augmenter la vitesse de représentation ou pour améliorer le diagnostic.

Optoacoustics (voir le cadre) est assimilé à certains égards à la représentation d'ultrason. Dans ce dernier, une sonde envoie les ondes ultrasoniques dans le fuselage, qui sont réfléchies par le tissu. Les senseurs dans la sonde trouvent les ondes sonores de retour et une illustration de l'intérieur du fuselage est par la suite produite. Dans la représentation optoacoustique, des pouls très courts de laser sont au lieu envoyés dans le tissu, où ils sont absorbés et convertis en ondes ultrasoniques. De même à la représentation d'ultrason, les ondes sont trouvées et converties en images.

Rectification pour des déformations d'image

L'équipe a abouti par Daniel Razansky, professeur de la représentation biomédicale à ETH Zurich et l'université de Zurich, recherchée une voie d'améliorer la qualité des images des dispositifs optoacoustiques bons marchés qui possèdent seulement un nombre restreint de détecteurs ultrasoniques.

Pour faire ceci, ils ont commencé à l'aide d'un balayeur optoacoustique à extrémité élevé auto-établi ayant 512 détecteurs, qui ont fourni des images de supérieur-qualité. Ils ont fait analyser ces illustrations par un réseau neuronal artificiel, qui pouvait apprendre les caractéristiques des images de haute qualité.

Ensuite, les chercheurs ont jeté la majorité des détecteurs, de sorte que seulement les 128 ou 32 détecteurs soient restés, avec un effet adverse sur la qualité des images. En raison du manque de caractéristiques, déformations connues sous le nom de corps étrangers de type de traînée est apparu dans les images. Il s'est avéré, cependant, que le réseau neuronal précédemment qualifié pouvait rectifier en grande partie pour ces déformations, de ce fait portant la qualité des images plus près des mesures obtenues avec tous les 512 détecteurs.

Dans l'optoacoustics, la qualité des images augmente non seulement avec le nombre de détecteurs utilisés, mais également quand l'information est saisie d'autant de sens comme possible : plus le secteur dans lequel les détecteurs sont arrangés autour de l'objectif est grand, plus la qualité est meilleure. L'algorithme d'apprentissage automatique développé était également couronné de succès en améliorant la qualité des images qui ont été enregistrées juste d'un secteur étroitement entouré.

C'est particulièrement important pour des applications cliniques, car les pouls de laser ne peuvent pas pénétrer le corps humain entier, par conséquent la région imagée est normalement seulement accessible d'un sens. »

Daniel Razansky, professeur de la représentation biomédicale, ETH Zurich

Facilitation de la prise de décision clinique

Les scientifiques chargent que leur approche n'est pas limitée à la représentation optoacoustique. Puisque la méthode traite les images reconstruites, pas les caractéristiques enregistrées brutes, elle s'applique également à d'autres techniques d'imagerie. « Vous pouvez fondamentalement employer la même méthodologie pour produire les images de haute qualité à partir de n'importe quel tri des caractéristiques clairsemées, » Razansky dit. Il explique que des médecins sont souvent confrontés avec le défi d'interpréter des images de mauvaise qualité des patients. « Nous prouvons que de telles images peuvent être améliorées avec des méthodes d'AI, la facilitant pour atteindre plus de diagnostic précis. »

Pour Razansky, ce travail de recherches est un bon exemple pour de quelles méthodes existantes d'artificial intelligence peut être employé. « Beaucoup de gens pensent que l'AI pourrait remonter le renseignement humain. Ceci est probablement exagéré, au moins pour la technologie actuellement disponible d'AI, » il dit. « Elle ne peut pas remonter la créativité humaine, pourtant peut nous relâcher d'un certain laborieux, tâches répétitives. »

Dans leur recherche actuelle, les scientifiques ont utilisé un dispositif optoacoustique de tomographie personnalisé pour de petits animaux, et ont formé les algorithmes d'apprentissage automatique avec des images des souris. La prochaine opération sera de s'appliquer la méthode aux images optoacoustiques à partir des patients humains, Razansky dit.

Fonctionnement de indication de tissu

À la différence de l'optoacoustics (également connu sous le nom de photoacoustics), beaucoup de techniques d'imagerie, telles que l'ultrason, radiographient ou l'IRM, sont principalement adapté pour concevoir l'altération anatomique dans le fuselage. Pour recevoir l'information fonctionnelle complémentaire, par exemple au sujet du flux sanguin ou des modifications métaboliques, le patient doit être les agents de contraste ou les traceurs radioactifs administrés avant la représentation. En revanche, la méthode optoacoustique peut concevoir l'information fonctionnelle et moléculaire sans introduire des agents de contraste. Un exemple est les changements locaux de l'oxygénation de tissu - un point de repère important de cancer qui peut être employé pour le diagnostic précoce. Le teneur de lipide dans des vaisseaux sanguins est encore une autre borne potentielle de la maladie, qui peut faciliter un dépistage précoce des maladies cardio-vasculaires.

Il devrait noter, cependant, que parce que les ondes lumineuses utilisées dans la représentation optoacoustique, à la différence d'autres ondes, ne pénètrent pas entièrement le corps humain, la méthode est seulement adaptée pour les tissus vérifiants à une profondeur de quelques centimètres sous la peau.

Source:
Journal reference:

Davoudi, N. et al. (2019) Deep learning optoacoustic tomography with sparse data. Nature Machine Intelligence. doi.org/10.1038/s42256-019-0095-3.