Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

I ricercatori applicano in profondità l'apprendimento ai sistemi di PS-OCT individuare meglio il cancro

Il Sun di Yi “Edwin„, un candidato di Ph.D. in elettrico e ingegneria informatica al Urbana-Champagne dell'università dell'Illinois ed il membro del laboratorio della rappresentazione della biofotonica dell'istituto di Beckman si sono diretti da Stephen Boppart, esplorato quanto in profondità imparare i metodi può fare alla la tomografia ottica polarizzazione sensibile della coerenza, o da PS-OCT, più redditizio e più ben attrezzato per diagnosticare il cancro in tessuti biologici.

Il documento, nominato “a tomografia ottica polarizzazione sensibile sintetica della coerenza in profondità imparando,„ è stato pubblicato nella medicina di Digital del npj.

I sistemi di OTTOBRE sono clinicamente comuni e sono usati per generare le immagini a sezione trasversale ad alta definizione delle regioni nel corpo umano. Esponga al sole ed il suo gruppo ha messo a punto un metodo approfondito di applicarsi il software allo strumento di OTTOBRE per fornire alle le capacità polarizzazione sensibili -; senza il costo e la complessità che accompagnano i sistemi basati sull'hardware della rappresentazione di PS-OCT.

Stiamo provando a sostituire il hardware connesso con PS-OCT. Tuttavia, [] è ancora nella fase dello sviluppo e della ricerca. Aggiungendo un modello d'apprendimento profondo sopra un sistema di OTTOBRE, arriviamo improvvisamente alle capacità di PS-OCT senza il hardware aggiunto tradizionale.„

Candidato di Sun, di Ph.D. di Yi “Edwin„ in elettrico e ingegneria informatica, Urbana-Champagne dell'università dell'Illinois

OTTOBRE è una prova non invadente della rappresentazione che usa le onde leggere per determinare i beni di un campione biologico. Tuttavia, permettendo allo strumento di usare la sensibilità di polarizzazione, gli scienziati possono individuare il dato valido che OTTOBRE non può catturare da sè. Per esempio: OTTOBRE può differenziare il tessuto in un modo che è preciso e quando le più grandi funzionalità sono chiare; PS-OCT può individuare le anomalie ad un livello più profondo, differenziante le funzionalità microstrutturali quali gli orientamenti della fibra del collageno che cambiano in un'area Cancro-infettata confrontata ad un'area normale.

“Siamo risultato che quello applicare il nostro metodo ad altri sistemi può generare un contrasto di PS-OCT e che questo modello può essere usato su molti sistemi di OTTOBRE per aiutarci a differenziare i tessuti del cancro ed altri tipi di tessuti molto meglio dei sistemi di OTTOBRE da solo,„ il Sun ha detto. “Questo è un miglioramento enorme, rendente questo sistema migliore per le diagnosi del cancro.„

In profondità imparando, un sottoinsieme dell'apprendimento automatico, permesso al gruppo di Sun creare software che può accoppiare con i sistemi di OTTOBRE per consegnare la sensibilità di polarizzazione.

“In profondità imparare ha permesso ad un metodo più avanzato di prendere le funzionalità sottili nelle immagini, che possono essere usate per la segmentazione e la classificazione più accurate. Egualmente permette che lo strumento della rappresentazione utilizzi i livelli multipli per prendere le funzionalità spaziali in un'immagine,„ il Sun ha detto.

Applicando i dati storici, i metodi d'apprendimento profondi assistono alle diagnosi accurate e perfino alle previsioni mediche. Il gruppo di Sun ha verificato il loro modello predicendo ché foto di una foresta fertile dell'estate potrebbe assomigliare all'a dicembre: sterile, grigio, forse una conoscenza superficiale di ghiaccio e di neve negli alberi. Con questo concetto in mente, i sistemi di immagini da ottobre, accoppiati con questo approccio d'apprendimento profondo, possono anche predire le immagini di PS-OCT che sarebbero venuto dai sistemi più complessi e più costosi di PS-OCT.

Poichè il Sun e la ricerca del suo gruppo erano uno studio pionieristico, può catturare alcuni anni e un'abbondanza di dati, per il sintetico PS-OCT per raggiungere le fasi cliniche. Una volta che fa, i clinici possono potere applicare questo modello ai sistemi commerciali ed avere una maggior capacità di individuare il cancro, facendo uso delle immagini generate PS-OCT per assistere nella diagnosi del cancro.

“Lo studio di Edwin vero evidenzia la potenza ed il potenziale di AI e degli approcci d'apprendimento profondi di predire e generare le immagini sintetiche dalle immagini standard di OTTOBRE, un tipo di PS-OCT di traduzione di immagine--immagine. Con l'uso aumentante di OTTOBRE attraverso i campi medici, questo avanzamento probabilmente avrà un vasto impatto ed infine contribuisce a migliorare la rilevazione e diagnosi della malattia,„ ha detto Boppart, Consigliere di tesi del Ph.D. di Sun che è sia un medico che professore di UIUC di assistenza tecnica.

Questa ricerca è stata supportata in parte dalle concessioni dall'istituto nazionale contro il cancro e dagli istituti nazionali della sanità.

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.