Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Les chercheurs s'appliquent apprendre profondément aux systèmes de PS-OCT à trouver mieux le cancer

Sun de YI le « Edwin », un candidat de Ph.D. en élém. élect. et ingénierie informatique au l'Urbana-Champagne d'Université de l'Illinois et le membre du laboratoire de représentation de Biophotonics de l'institut de Beckman se sont dirigés par Stephen Boppart, exploré comment apprendre profondément des méthodes peut effectuer la tomographie optique polarisation-sensible de cohérence, ou PS-OCT, plus rentable et mieux équipé pour diagnostiquer le cancer en tissus biologiques.

Le papier, intitulé « tomographie optique polarisation-sensible synthétique de cohérence en apprenant profondément, » était publié en médicament de Digitals de npj.

Les systèmes d'OCT. sont courants cliniquement et sont employés pour produire des images transversales à haute résolution des régions au corps humain. Exposez au soleil et son équipe a développé une méthode d'inauguration d'appliquer le logiciel à l'outil d'OCT. pour fournir des capacités polarisation-sensibles - ; sans coût et complexité qui accompagnent les systèmes réalisés par matériel de représentation de PS-OCT.

Nous essayons de remonter la visserie liée à PS-OCT. Cependant, [It] est toujours dans le stade de développement et la recherche. En ajoutant un modèle apprenant profond sur un système d'OCT., soudainement nous obtenons aux capacités de PS-OCT sans visserie ajoutée traditionnelle. »

Candidat de Sun, de Ph.D. de YI « Edwin » dans élém. élect. et ingénierie informatique, Urbana-Champagne d'Université de l'Illinois

OCT. est un test non envahissant de représentation qui emploie des ondes lumineuses pour déterminer les propriétés d'un échantillon biologique. Cependant, en permettant à l'outil d'employer la sensibilité de polarisation, les scientifiques peuvent trouver les informations importantes qu'OCT. ne peut pas saisir seule. Par exemple : OCT. peut différencier le tissu en quelque sorte qui est précis et quand de plus grandes caractéristiques sont claires ; PS-OCT peut trouver des anomalies à un niveau plus profond, différenciant les caractéristiques microstructurales telles que les orientations de fibre collagénique qui changent dans un endroit cancer-infecté comparé en un endroit normal.

« Nous prouvés cela qui s'applique notre méthode à d'autres systèmes pouvons produire d'un contraste de PS-OCT, et cela ce modèle peut être employé sur beaucoup de systèmes d'OCT. pour nous aider à différencier des tissus cancéreux et d'autres types de tissus bien mieux que seuls des systèmes d'OCT., » le Sun a indiqué. « C'est une amélioration énorme, rendant ce système meilleur pour des diagnostics de cancer. »

Profondément apprenant, un sous-ensemble d'apprentissage automatique, l'équipe du Sun activé à produire le logiciel qui peut appareiller avec des systèmes d'OCT. pour fournir la sensibilité de polarisation.

« Apprendre profondément a activé une méthode plus avancée de capter les caractéristiques subtiles dans les images, qui peuvent être employées pour une segmentation plus précise et une catégorie. Il permet également à l'outil de représentation d'employer des couches multiples pour capter les caractéristiques spatiales dans une image, le » Sun a indiqué.

En appliquant des caractéristiques historiques, les méthodes apprenantes profondes assistent des diagnostics précis et même des prévisions médicales. L'équipe du Sun a vérifié leur modèle en prévoyant quelle photo d'une forêt luxuriante d'été pourrait ressembler à l'en décembre : stérile, gris, peut-être une notion de glace et de neige dans les arbres. Avec ce concept à l'esprit, les systèmes d'images à partir d'octobre, ajoutés à cette approche apprenante profonde, peuvent même prévoir les images de PS-OCT qui seraient venues des systèmes plus complexes et plus coûteux de PS-OCT.

Vu que la recherche de Sun et de son équipe était une étude pionnière, il peut prendre quelques années, et une abondance de caractéristiques, pour que PS-OCT synthétique atteigne les stades cliniques. Une fois qu'il fait, les cliniciens peuvent pouvoir appliquer ce modèle aux systèmes commerciaux et avoir une capacité plus grande de trouver le cancer, utilisant les images produites par PS-OCT pour aider au diagnostic de cancer.

La « étude d'Edwin met en valeur vraiment le pouvoir et le potentiel de l'AI et d'apprendre profondément s'approche pour prévoir et produire des images synthétiques de PS-OCT des images normales d'OCT., un type de traduction d'image-à-image. Avec la consommation accrue d'OCT. en travers des inducteurs médicaux, cette avance aura vraisemblablement un choc grand, et aide éventuel à améliorer le dépistage et diagnostic de la maladie, » a dit Boppart, le conseiller de thèse du Ph.D. du Sun qui est un médecin et professeur d'UIUC du bureau d'études.

Cette recherche a été supportée en partie par des concessions de l'Institut national du cancer et des instituts de la santé nationaux.

Source:
Journal reference:

Sun, Y., et al. (2021) Synthetic polarization-sensitive optical coherence tomography by deep learning. npj Digital Medicine. doi.org/10.1038/s41746-021-00475-8.