Deep Neural Network har til formål at forbedre billeddannelse af celler

Forbedring af detektion, diagnose, og behandling af sygdomme som kræft vil kræve mere detaljeret, hurtig, og agil billedteknologi, der ikke kun kan vise læger, hvordan et bestemt organ ser ud, men også hvad der sker i cellerne, der udgør disse væv.

I forskning offentliggjort i Procedurer fra National Academy of Sciences , et team fra Rensselaer Polytechnic Institute udviklede og demonstrerede en ny teknik til fluorescens-livstidsbilleddannelse af væv og celler på en hurtig og omfattende måde – hvilket lagde grunden til brug i kliniske omgivelser.

"Vi leverer værktøjer, der vil være langt mere modtagelige for slutbrugerne, betyder biologerne, men også kirurgen, "sagde Xavier Intes, en professor i biomedicinsk teknik, der ledede denne forskning for Rensselaer.

Fluorescens levetid billeddannelse har længe været en nyttig måde for forskere og ingeniører at se interaktioner på molekylært niveau i celler-et nødvendigt redskab, når de forsøger at identificere kræft og andre sygdomme, og vurdere effektiviteten af ​​lægemidler.

Traditionelt, Intes sagde, at producere et billede på denne måde har krævet meget tid og komplekse matematiske værktøjer, der er stærkt afhængige af brugeren, hvilket gør det svært at producere konsistente og reproducerbare billeder. Disse vanskeligheder har været barrierer for at bruge denne type billeddannelse i kliniske omgivelser.

For at overkomme disse udfordringer, Rensselaer -teamet designet et dybt neuralt netværk (DNN) til automatisk at indstille de matematiske parametre, som et menneske typisk ville, samtidig med at der produceres et detaljeret billede, der kan vise interaktioner i celler eller væv, mens de sker.

Dette arbejde bygger på Rensselaer-teamets tidligere forskning, hvor de udviklede en metode til hurtigt at rekonstruere et enkelt livstidsbillede. Denne nye tilgang rekonstruerer flere levetidsbilleder på samme tid, at give et omfattende overblik over flere biologiske processer, der sker i væv og celler, sagde Pingkun Yan, en adjunkt i biomedicinsk teknik og medlem af Center for Bioteknologi og Tværfaglige Studier, som også har arbejdet med denne forskning.

Holdet, i samarbejde med biologer ved Albany Medical College, testet denne nye teknik ved at afbilde kræftceller under mikroskop og i levende systemer. Hvad de observerede, Intes sagde, var, at deres DNN optrådte så godt som, eller i nogle tilfælde bedre end, kommerciel software, der bruges i øjeblikket. Holdet fandt også ud af, at denne teknik krævede mindre lys, mens den stadig producerede detaljerede billeder, som er kritisk for biologiske anvendelser.

Forskernes succes bringer feltet tættere på at være i stand til at bruge fluorescens levetid billeddannelse i kliniske omgivelser for at evaluere effektiviteten af ​​et bestemt lægemiddel på en persons individuelle kræftceller - et vigtigt værktøj, der er nødvendigt for at muliggøre præcisionsmedicin.

Forskerne var også i stand til at anvende dette DNN til at visualisere aktivitetsniveauet i celler, en proces kendt som metabolisk billeddannelse. Denne fremgangsmåde kan hjælpe med at guide kirurger i operationsstuen, når de arbejder på at identificere, hvilket væv der er sundt, og som er syg og bør fjernes.

"Dette er en muliggørende teknologi til mange kliniske anvendelser. For eksempel, det kan bruges til in vivo real-time billeddannelse af en tumor, som kan hjælpe kirurger med at se læsionen under deres procedurer, gør dem i stand til helt at fjerne kræftvæv med minimal skade på sundt væv, " sagde Yan.