Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

Métodos da aprendizagem de máquina do uso dos cientistas para melhorar a imagem lactente biomedicável

Os cientistas em ETH Zurique e a universidade de Zurique usaram métodos da aprendizagem de máquina para melhorar a imagem lactente optoacústica. Esta técnica de imagem lactente médica relativamente nova pode ser usada para aplicações tais como vasos sanguíneos visualizando, estudando a actividade de cérebro, caracterizando lesões de pele e diagnosticando o cancro da mama. Contudo, a qualidade das imagens rendidas é muito dependente do número e da distribuição dos sensores usados pelo dispositivo: o mais deles, melhor a qualidade da imagem. A aproximação nova desenvolvida pelos pesquisadores de ETH permite a redução substancial do número de sensores sem dar acima na qualidade resultante da imagem. Isto torna possível reduzir o custo do dispositivo, aumentar a velocidade da imagem lactente ou melhorar o diagnóstico.

Optoacoustics (veja a caixa) é similar em alguns aspectos à imagem lactente do ultra-som. Nos últimos, uma ponta de prova envia as ondas ultra-sônicas no corpo, que são reflectidas pelo tecido. Os sensores na ponta de prova detectam as ondas sadias de retorno e uma imagem do interior do corpo é gerada subseqüentemente. Na imagem lactente optoacústica, os pulsos muito curtos do laser são enviados pelo contrário no tecido, onde são absorvidos e convertidos em ondas ultra-sônicas. Similarmente à imagem lactente do ultra-som, as ondas são detectadas e convertidas em imagens.

Correcção para distorções de imagem

A equipe conduziu por Daniel Razansky, professor da imagem lactente biomedicável em ETH Zurique e a universidade de Zurique, procurarada por uma maneira de aumentar a qualidade da imagem dos dispositivos optoacústicos baratos que possuem somente um pequeno número de sensores ultra-sônicos.

Para fazer este, partiram usando um varredor optoacústico auto-revelado da parte alta que tem 512 sensores, que entregaram imagens da superior-qualidade. Tiveram estas imagens analisadas por uma rede neural artificial, que pudesse aprender as características das imagens de alta qualidade.

Em seguida, os pesquisadores rejeitaram a maioria dos sensores, de modo que os somente 128 ou 32 sensores permanecessem, com um efeito prejudicial na qualidade da imagem. Devido à falta dos dados, distorções conhecidas como o tipo produtos manufacturados da raia apareceu nas imagens. Despejou, contudo, que a rede neural previamente treinada podia corrigir pela maior parte para estas distorções, assim trazendo a qualidade da imagem mais perto das medidas obtidas com todos os 512 sensores.

No optoacoustics, os aumentos da qualidade da imagem não somente com o número de sensores usados, mas também quando a informação for capturada de tantos como sentidos como possível: maior o sector em que os sensores são arranjados em torno do objeto, melhor a qualidade. O algoritmo de aprendizagem desenvolvido da máquina era igualmente bem sucedido em melhorar a qualidade das imagens que foram gravadas apenas de um sector estreita limitado.

Isto é particularmente importante para aplicações clínicas, porque os pulsos do laser não podem penetrar o corpo humano inteiro, daqui a região imaged é normalmente somente acessível de um sentido.”

Daniel Razansky, professor da imagem lactente biomedicável, ETH Zurique

Facilitando a tomada de decisão clínica

Os cientistas forçam que sua aproximação não está limitada à imagem lactente optoacústica. Porque o método opera sobre as imagens reconstruídas, não os dados gravados crus, é igualmente aplicável a outras técnicas de imagem lactente. “Você pode basicamente usar a mesma metodologia para produzir meio as imagens de alta qualidade de todos os dados escassos,” Razansky diz. Explica que os médicos estão confrontados frequentemente com o desafio de interpretar imagens de má qualidade dos pacientes. “Nós mostramos que tais imagens podem ser melhoradas com os métodos do AI, facilitando o alcançar um diagnóstico mais exacto.”

Para Razansky, este trabalho de pesquisa é um bom exemplo de que métodos existentes da inteligência artificial pode ser usado para. “Muitos povos pensam que o AI poderia substituir a inteligência humana. Isto é provavelmente exagerado, pelo menos para a tecnologia actualmente disponível do AI,” diz. “Não pode substituir a faculdade criadora humana, contudo pode liberar-nos de algumas tarefas laboriosas, repetitivas.”

Em sua pesquisa actual, os cientistas usaram um dispositivo optoacústico do tomografia personalizado para animais pequenos, e treinaram os algoritmos de aprendizagem da máquina com imagens dos ratos. O passo seguinte será aplicar o método às imagens optoacústicas dos pacientes humanos, Razansky diz.

Função de revelação do tecido

Ao contrário do optoacoustics (igualmente conhecido como o photoacoustics), muitas técnicas de imagem lactente, tais como o ultra-som, raio X ou MRI, são principalmente apropriadas para visualizar alterações anatômicas no corpo. Para receber a informação funcional adicional, por exemplo a respeito da circulação sanguínea ou das mudanças metabólicas, o paciente tem que ser agentes do contraste ou projétis luminosos radioactivos administrados antes da imagem lactente. Ao contrário, o método optoacústico pode visualizar a informação funcional e molecular sem introduzir agentes do contraste. Um exemplo é as mudanças locais no oxigenação do tecido - um marco importante do cancro que possa ser usado para o diagnóstico adiantado. O índice do lipido em vasos sanguíneos é contudo um outro marcador potencial da doença, que possa ajudar a uma detecção atempada de doenças cardiovasculares.

Deve-se notar, contudo, que porque as ondas claras usadas na imagem lactente optoacústica, ao contrário de outras ondas, não penetram inteiramente o corpo humano, o método é somente apropriado para tecidos de investigação a uma profundidade de alguns centímetros abaixo da pele.

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.