Metodi di apprendimento automatico di uso degli scienziati per migliorare rappresentazione biomedica

Gli scienziati a ETH Zurigo e l'università di Zurigo hanno usato i metodi di apprendimento automatico per migliorare la rappresentazione optoacoustica. Questa relativamente giovane tecnica di imaging biomedico può essere usata per le applicazioni quali i vasi sanguigni di visualizzazione, studiando l'attività di cervello, caratterizzando le lesioni cutanee e diagnosticando il cancro al seno. Tuttavia, la qualità delle immagini rese dipende molto dal numero e dalla distribuzione dei sensori usati dall'unità: il più di loro, migliore la qualità di immagine. Il nuovo approccio sviluppato dai ricercatori di ETH tiene conto riduzione sostanziale del numero dei sensori senza smettere sulla qualità risultante di immagine. Ciò permette di diminuire il costo dell'unità, di aumentare la velocità della rappresentazione o di migliorare la diagnosi.

Optoacoustics (vedi la casella) è simile per certi aspetti alla rappresentazione di ultrasuono. Negli ultimi, una sonda invia le onde ultrasoniche nell'organismo, che sono riflesse dal tessuto. I sensori nella sonda individuano le onde sonore di ritorno e una maschera dell'interno dell'organismo successivamente è generata. Nella rappresentazione optoacoustica, gli impulsi molto brevi del laser invece sono inviati nel tessuto, in cui sono assorbiti e convertiti in onde ultrasoniche. Similmente alla rappresentazione di ultrasuono, le onde sono individuate e convertite in immagini.

Correggere le deformazioni di immagine

Il gruppo piombo da Daniel Razansky, professore della rappresentazione biomedica a ETH Zurigo e l'università di Zurigo, cercata un modo migliorare la qualità di immagine delle unità optoacoustiche a basso costo che possiedono soltanto un piccolo numero di sensori ultrasonici.

Per fare questo, hanno cominciato usando uno scanner optoacoustico di qualità superiore auto-in via di sviluppo che ha 512 sensori, che hanno consegnato le immagini di superiore-qualità. Hanno fatti queste analizzare maschere tramite una rete neurale artificiale, che poteva imparare le funzionalità delle immagini di alta qualità.

Dopo, i ricercatori hanno eliminato la maggior parte dei sensori, di modo che i soltanto 128 o 32 sensori sono rimanere, con un effetto nocivo sulla qualità di immagine. dovuto la mancanza di dati, deformazioni conosciute come il tipo artefatti della striscia è comparso nelle immagini. È risultato, tuttavia, che la rete neurale precedentemente preparata poteva in gran parte correggere queste deformazioni, così portando la qualità di immagine più vicino alle misure ottenute con tutti i 512 sensori.

In optoacoustics, gli aumenti di qualità di immagine non solo con il numero dei sensori utilizzati, ma anche quando le informazioni sono catturate da altrettante direzioni come possibili: più grande il settore in cui i sensori sono sistemati intorno all'oggetto, migliore la qualità. L'algoritmo di apprendimento automatico sviluppato riusciva egualmente nel miglioramento della qualità delle immagini che sono state registrate appena da un settore stretto circoscritto.

Ciò è particolarmente importante per le applicazioni cliniche, poichè gli impulsi del laser non possono penetrare l'intero corpo umano, quindi la regione imaged è normalmente soltanto accessibile dall'una direzione.„

Daniel Razansky, il professor di rappresentazione biomedica, ETH Zurigo

Facilitazione del processo decisionale clinico

Gli scienziati sollecitano che il loro approccio non è limitato alla rappresentazione optoacoustica. Poiché il metodo gestisce sopra le immagini ricostruite, non i dati registrati da rivedere, è egualmente applicabile ad altre tecniche di rappresentazione. “Potete usare basicamente la stessa metodologia per produrre le immagini di alta qualità da tutto l'ordinamento dei dati radi,„ Razansky dice. Spiega che i medici sono confrontati spesso con la sfida dell'interpretazione delle immagini di qualità scadente dai pazienti. “Indichiamo che tali immagini possono essere migliorate con i metodi di AI, rendente la più facile raggiungere la diagnosi più accurata.„

Per Razansky, questo lavoro di ricerca è un buon esempio di che metodi attuali di intelligenza artificiale può essere usato per. “Molta gente pensa che il AI potrebbe sostituire l'intelligenza umana. Ciò probabilmente è esagerata, almeno per la tecnologia attualmente disponibile di AI,„ dice. “Non può sostituire la creatività umana, eppure può rilasciarci da alcune mansioni laboriose e ripetitive.„

Nella loro ricerca corrente, gli scienziati hanno utilizzato un'unità optoacoustica di tomografia su misura per i piccoli animali ed hanno preparato gli algoritmi di apprendimento automatico con le immagini dai mouse. Il punto seguente sarà di applicare il metodo alle immagini optoacoustiche dai pazienti umani, Razansky dice.

Funzione rivelante del tessuto

A differenza del optoacoustics (anche conosciuto come il photoacoustics), molte tecniche di rappresentazione, quale l'ultrasuono, raggi x o MRI, sono pricipalmente adatte a prevedere le alterazioni anatomiche nell'organismo. Per ricevere le informazioni funzionali supplementari, per esempio riguardo a flusso sanguigno o a cambiamenti metabolici, il paziente deve essere agenti o tracciante radioattivi amministrati di contrasto prima della rappresentazione. Al contrario, il metodo optoacoustico può prevedere le informazioni funzionali e molecolari senza presentare gli agenti di contrasto. Un esempio è cambiamenti locali nell'ossigenazione del tessuto - un punto di riferimento importante di cancro che può essere usato per la diagnosi precoce. Il contenuto del lipido in vasi sanguigni è ancora un altro indicatore potenziale di malattia, che può aiutare un'individuazione tempestiva delle malattie cardiovascolari.

Dovrebbe essere notato, tuttavia, che perché le onde leggere utilizzate nella rappresentazione optoacoustica, a differenza di altre onde, completamente non penetrano il corpo umano, il metodo è soltanto adatto a tessuti studianti ad una profondità di alcuni centimetri sotto l'interfaccia.

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.