Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Métodos del aprendizaje de máquina del uso de los científicos para perfeccionar proyección de imagen biomédica

Los científicos en ETH Zurich y la universidad de Zurich han utilizado métodos del aprendizaje de máquina para perfeccionar proyección de imagen optoacústica. Esta técnica de proyección de imagen médica relativamente joven se puede utilizar para los usos tales como vasos sanguíneos de visualización, estudiando actividad cerebral, caracterizando lesiones de piel y diagnosticando el cáncer de pecho. Sin embargo, la calidad de las imágenes rendidas es muy relacionada en el número y la distribución de los sensores usados por el dispositivo: más de ellos, mejor es la calidad de la imagen. La nueva aproximación desarrollada por los investigadores de ETH permite la reducción sustancial del número de sensores sin abandonar en la calidad resultante de la imagen. Esto permite reducir el costo del dispositivo, aumentar velocidad de la proyección de imagen o perfeccionar diagnosis.

Optoacoustics (véase la caja) es similar en algún sentido a la proyección de imagen del ultrasonido. En estes último, una antena envía las ondas ultrasónicas en la carrocería, que son reflejadas por el tejido. Los sensores en la antena descubren las ondas acústicas de vuelta y un retrato del interior de la carrocería se genera posteriormente. En proyección de imagen optoacústica, los pulsos muy cortos del laser en lugar de otro se envían en el tejido, donde se absorben y se convierten en ondas ultrasónicas. Semejantemente a la proyección de imagen del ultrasonido, las ondas se descubren y se convierten en imágenes.

Corrección para las distorsiones de imagen

Las personas llevaron por Daniel Razansky, profesor de la proyección de imagen biomédica en ETH Zurich y la universidad de Zurich, explorada para que una manera aumente la calidad de la imagen de los dispositivos optoacústicos baratos que poseen solamente una pequeña cantidad de sensores ultrasónicos.

Para hacer esto, comenzaron usando un analizador optoacústico de gama alta uno mismo-revelado que tenía 512 sensores, que entregaron imágenes de la superior-calidad. Hicieron estos retratos analizar por una red neuronal artificial, que podía aprender las características de las imágenes de alta calidad.

Después, los investigadores desecharon a la mayoría de los sensores, de modo que permanecieran los solamente 128 o 32 sensores, con un efecto perjudicial sobre la calidad de la imagen. Debido a la falta de datos, distorsiones conocidas como tipo artefactos de la raya apareció en las imágenes. Resultó, sin embargo, que la red neuronal previamente entrenada podía corregir en gran parte para estas distorsiones, así trayendo la calidad de la imagen más cercano a las mediciones obtenidas con todos los 512 sensores.

En optoacoustics, los aumentos de la calidad de la imagen no sólo con el número de sensores usados, pero también cuando la información se captura de tantas direcciones como sea posible: cuanto más grande es el sector en el cual los sensores se arreglan alrededor del objeto, mejor es la calidad. El algoritmo de aprendizaje desarrollado de máquina era también acertado en perfeccionar la calidad de las imágenes que fueron registradas apenas de un sector estrecho circunscrito.

Esto es determinado importante para los usos clínicos, pues los pulsos del laser no pueden penetrar el cuerpo humano entero, por lo tanto la región reflejada es normalmente solamente accesible a partir de una dirección.”

Daniel Razansky, profesor de la proyección de imagen biomédica, ETH Zurich

Facilitación de la toma de decisión clínica

Los científicos esfuerzo que su aproximación no está limitada a la proyección de imagen optoacústica. Porque el método opera conectado las imágenes reconstruidas, no los datos registrados sin procesar, es también aplicable a otras técnicas de proyección de imagen. “Usted puede utilizar básicamente la misma metodología para producir las imágenes de alta calidad de cualquier clase de datos escasos,” Razansky dice. Él explica que enfrentan a los médicos a menudo con el reto de interpretar imágenes de la mal calidad de pacientes. “Mostramos que tales imágenes se pueden perfeccionar con los métodos del AI, haciéndola más fácil lograr una diagnosis más exacta.”

Para Razansky, este trabajo de investigación es un buen ejemplo para de qué métodos existentes de inteligencia artificial puede ser utilizado. “Mucha gente piensa que el AI podría reemplazar inteligencia humana. Esto se exagera probablemente, por lo menos para la tecnología actualmente disponible del AI,” él dice. “No puede reemplazar creatividad humana, con todo puede liberarnos de algunas tareas laboriosas, repetidores.”

En su investigación actual, los científicos utilizaron un dispositivo optoacústico de la tomografía modificado para requisitos particulares para los pequeños animales, y entrenaron a los algoritmos de aprendizaje de máquina con imágenes de ratones. El paso siguiente será aplicar el método a las imágenes optoacústicas de pacientes humanos, Razansky dice.

Función del tejido que revela

A diferencia del optoacoustics (también conocido como photoacoustics), muchas técnicas de proyección de imagen, tales como ultrasonido, radiografía o MRI, son principal convenientes para visualizar cambios anatómicos en la carrocería. Para recibir la información funcional adicional, por ejemplo referente el flujo de sangre o a los cambios metabólicos, el paciente tiene que ser agentes del contraste o trazadores radioactivos administrados antes de la proyección de imagen. En cambio, el método optoacústico puede visualizar la información funcional y molecular sin la introducción de agentes del contraste. Un ejemplo es los cambios locales en la oxigenación del tejido - un punto de referencia en tierra importante del cáncer que se pueda utilizar para el diagnóstico precoz. El contenido del lípido en vasos sanguíneos es otro marcador potencial de la enfermedad, que puede ayudar a una detección temprana de enfermedades cardiovasculares.

Debe ser observado, sin embargo, que porque las ondas livianas usadas en proyección de imagen optoacústica, a diferencia de otras ondas, no penetran completo el cuerpo humano, el método es solamente conveniente para los tejidos de investigación a una profundidad de algunos centímetros debajo de la piel.

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.