Kunstig intelligens forbedrer biomedicinsk billeddannelse

ETH-forskere bruger kunstig intelligens til at forbedre kvaliteten af ​​billeder optaget med en relativt ny biomedicinsk billedbehandlingsmetode. Dette baner vejen for mere præcis diagnose og omkostningseffektive enheder.

Forskere ved ETH Zürich og Universitetet i Zürich har brugt maskinlæringsmetoder til at forbedre optoakustisk billeddannelse. Denne relativt unge medicinske billedbehandlingsteknik kan bruges til applikationer såsom visualisering af blodkar, studere hjerneaktivitet, karakterisering af hudlæsioner og diagnosticering af brystkræft. Imidlertid, Kvaliteten af ​​de gengivede billeder er meget afhængig af antallet og fordelingen af ​​sensorer, der bruges af enheden:jo flere af dem, jo bedre billedkvalitet. Den nye tilgang udviklet af ETH-forskerne giver mulighed for en væsentlig reduktion af antallet af sensorer uden at give afkald på den resulterende billedkvalitet. Dette gør det muligt at reducere enhedsomkostningerne, øge billeddannelseshastigheden eller forbedre diagnosen.

Optoakustik (se boks) ligner i nogle henseender ultralydsbilleddannelse. I sidstnævnte, en sonde sender ultralydsbølger ind i kroppen, som reflekteres af vævet. Sensorer i sonden registrerer de tilbagevendende lydbølger, og der genereres efterfølgende et billede af kroppens indre. Ved optoakustisk billeddannelse, meget korte laserimpulser sendes i stedet ind i vævet, hvor de absorberes og omdannes til ultralydsbølger. På samme måde som ultralydsbilleddannelse, bølgerne registreres og konverteres til billeder.

Korrigering for billedforvrængninger

Holdet ledet af Daniel Razansky, Professor i biomedicinsk billeddannelse ved ETH Zürich og Zürich Universitet, søgte efter en måde at forbedre billedkvaliteten af ​​billige optoakustiske enheder, der kun har et lille antal ultralydssensorer.

At gøre dette, de startede med at bruge en egenudviklet high-end optoakustisk scanner med 512 sensorer, som leverede billeder i overlegen kvalitet. De fik disse billeder analyseret af et kunstigt neuralt netværk, som var i stand til at lære funktionerne i billederne i høj kvalitet.

Næste, forskerne kasserede størstedelen af ​​sensorerne, så der var kun 128 eller 32 sensorer tilbage, med en skadelig effekt på billedkvaliteten. På grund af manglende data, forvrængninger kendt som stribeartefakter optrådte på billederne. Det viste sig, imidlertid, at det tidligere trænede neurale netværk stort set var i stand til at korrigere for disse forvrængninger, dermed bringe billedkvaliteten tættere på de målinger, der opnås med alle 512-sensorerne.

Inden for optoakustik, billedkvaliteten øges ikke kun med antallet af anvendte sensorer, men også når informationen fanges fra så mange retninger som muligt:​​jo større sektor, hvor sensorerne er arrangeret omkring objektet, jo bedre kvalitet. Den udviklede maskinlæringsalgoritme havde også succes med at forbedre kvaliteten af ​​billeder, der blev optaget fra kun en snævert afgrænset sektor. "Dette er især vigtigt for kliniske applikationer, da laserimpulserne ikke kan trænge igennem hele menneskekroppen, derfor er det afbildede område normalt kun tilgængeligt fra én retning, " ifølge Razansky.

Facilitering af klinisk beslutningstagning

Forskerne understreger, at deres tilgang ikke er begrænset til optoakustisk billeddannelse. Fordi metoden fungerer på de rekonstruerede billeder, ikke de rå registrerede data, den er også anvendelig til andre billeddannelsesteknikker. "Du kan grundlæggende bruge den samme metode til at producere billeder af høj kvalitet fra enhver form for sparsom data, " siger Razansky. Han forklarer, at læger ofte bliver konfronteret med udfordringen med at fortolke billeder af dårlig kvalitet fra patienter. "Vi viser, at sådanne billeder kan forbedres med AI-metoder, gør det lettere at opnå en mere præcis diagnose."

For Razansky, dette forskningsarbejde er et godt eksempel på, hvad eksisterende metoder til kunstig intelligens kan bruges til. "Mange mennesker tror, ​​at kunstig intelligens kan erstatte menneskelig intelligens. Dette er sandsynligvis overdrevet, i det mindste for den aktuelt tilgængelige AI-teknologi, " siger han. "Det kan ikke erstatte menneskelig kreativitet, alligevel kan frigøre os fra nogle besværlige, gentagne opgaver."

I deres nuværende forskning, forskerne brugte en optoakustisk tomografianordning, der var tilpasset til små dyr, og trænede maskinlæringsalgoritmerne med billeder fra mus. Det næste trin vil være at anvende metoden til optoakustiske billeder fra menneskelige patienter, siger Razansky.

Afslørende vævsfunktion

I modsætning til optoakustik (også kendt som fotoakustik), mange billedbehandlingsteknikker, såsom ultralyd, røntgen eller MR, er hovedsageligt velegnede til at visualisere anatomiske ændringer i kroppen. For at modtage yderligere funktionel information, for eksempel vedrørende blodgennemstrømning eller metaboliske ændringer, patienten skal have kontrastmidler eller radioaktive sporstoffer før billeddannelsen. I modsætning, den optoakustiske metode kan visualisere funktionel og molekylær information uden at introducere kontrastmidler. Et eksempel er lokale ændringer i vævsiltning - et vigtigt vartegn for kræft, der kan bruges til tidlig diagnose. Lipidindhold i blodkar er endnu en potentiel sygdomsmarkør, som kan hjælpe med en tidlig opdagelse af hjerte-kar-sygdomme.

Det bør noteres, imidlertid, fordi lysbølgerne brugt til optoakustisk billeddannelse, i modsætning til andre bølger, trænger ikke helt ind i menneskekroppen, metoden er kun egnet til at undersøge væv i en dybde på få centimeter under huden.