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.

Los investigadores aplican profundamente el aprendizaje a los sistemas de PS-OCT descubrir mejor el cáncer

Yi “Edwin” Sun, candidato del Ph.D. en eléctrico y ingeniería informática en el Urbana-Chamán de la Universidad de Illinois y la pieza del laboratorio de la proyección de imagen de Biophotonics del instituto de Beckman dirigió por Stephen Boppart, explorado cómo profundamente el aprendizaje de métodos puede hacer la tomografía óptica polarización-sensible de la coherencia, o PS-OCT, más de poco costo y más bien equipado para diagnosticar el cáncer en tejidos biológicos.

El papel, titulado “tomografía óptica polarización-sensible sintetizada de la coherencia profundamente aprendiendo,” fue publicado en el remedio de Digitaces del npj.

Los sistemas de OCT son comunes clínico y se utilizan para generar imágenes seccionadas transversalmente de alta resolución de regiones en el cuerpo humano. Sun y sus personas desarrollaron un método innovador de aplicar software a la herramienta de OCT para ofrecer capacidades polarización-sensibles -; sin el costo y la complejidad que acompañan sistemas de equipo informático de la proyección de imagen de PS-OCT.

Estamos intentando reemplazar el hardware asociado a PS-OCT. Sin embargo, [él] todavía está en el escenario del revelado y de la investigación. Agregando un modelo de aprendizaje profundo encima de un sistema de OCT, llegamos repentinamente las capacidades de PS-OCT sin el hardware adicional tradicional.”

Yi “Edwin” candidato de Sun, del Ph.D. en eléctrico y ingeniería informática, Urbana-Chamán de la Universidad de Illinois

OCT es una prueba no invasor de la proyección de imagen que utiliza ondas livianas para determinar las propiedades de una muestra biológica. Sin embargo, permitiendo a la herramienta utilizar sensibilidad de la polarización, los científicos pueden descubrir la información relevante que OCT no puede capturar en sus la propio. Por ejemplo: OCT puede distinguir el tejido de una forma que es exacto y cuando características más grandes están sin obstrucción; PS-OCT puede descubrir anormalidades en un nivel más profundo, distinguiendo características microestructurales tales como orientaciones de la fibra del colágeno que cambien en un área cáncer-infectada comparada a un área normal.

“Probamos que eso la aplicación de nuestro método a otros sistemas puede generar un contraste de PS-OCT, y que este modelo se puede utilizar en muchos sistemas de OCT para ayudarnos a distinguir tejidos del cáncer y otros tipos de tejidos mucho mejor que los sistemas de OCT solamente,” Sun dijo. “Esto es una mejoría enorme, haciendo este sistema mejor para las diagnosis del cáncer.”

Profundamente aprendiendo, un subconjunto de aprendizaje de máquina, habilitado las personas de Sun crear el software que puede emparejar con los sistemas de OCT para entregar sensibilidad de la polarización.

“Profundamente el aprendizaje habilitó un método más avanzado de tomar características sutiles en las imágenes, que se pueden utilizar para una segmentación y una clasificación más exactas. También permite que la herramienta de la proyección de imagen utilice capas múltiples para tomar características espaciales en una imagen,” Sun dijo.

Aplicando datos históricos, los métodos de aprendizaje profundos ayudan con diagnosis exactas e incluso predicciones médicas. Las personas de Sun probaron su modelo prediciendo una qué foto de un bosque enorme del verano pudo parecer en diciembre: estéril, gris, quizás una noción superficial del hielo y de la nieve en los árboles. Con este concepto en mente, los sistemas de las imágenes a partir de octubre, acoplados con esta aproximación de aprendizaje profunda, pueden incluso predecir las imágenes de PS-OCT que habrían venido de los sistemas más complejos y más costosos de PS-OCT.

Dado que Sun y la investigación de sus personas eran un estudio pionero, puede tomar algunos años, y una abundancia de datos, para que PS-OCT sintetizado alcance los escenarios clínicos. Una vez que lo hace, los clínicos pueden poder aplicar este modelo a los sistemas comerciales y tener una mayor capacidad de descubrir el cáncer, usando las imágenes generadas PS-OCT para ayudar a diagnosis del cáncer.

El “estudio de Edwin destaca verdad la potencia y el potencial del AI y profundamente del aprendizaje se acerca para predecir y para generar las imágenes sintetizadas de las imágenes estándar de OCT, un tipo de PS-OCT de traslación de la imagen-a-imagen. Con el uso cada vez mayor de OCT a través de campos médicos, este avance tendrá probablemente un impacto amplio, y ayuda final a perfeccionar la detección y diagnosis de la enfermedad,” dijo a Boppart, el consejero de la tesis del Ph.D. de Sun que es médico y profesor de UIUC de la ingeniería.

Esta investigación fue soportada en parte por concesiones del Instituto Nacional del Cáncer y de los institutos de la salud nacionales.

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.