Deep learning forbedrer billedrekonstruktion i optisk kohærenstomografi ved brug af færre data

Optisk kohærenstomografi (OCT) er en ikke-invasiv billeddannelsesmetode, der kan give 3D-information om biologiske prøver. Den første generation af OCT-systemer var baseret på tidsdomæne-billeddannelse, ved hjælp af en mekanisk scanningsopsætning. Imidlertid, den relativt langsomme dataopsamlingshastighed af disse tidligere tidsdomæne OCT-systemer begrænsede delvist deres brug til billeddannelse af levende prøver. Introduktionen af ​​spektraldomænet OCT-teknikker med højere følsomhed har bidraget til en dramatisk stigning i billedhastighed og -kvalitet. OCT er nu meget brugt i diagnostisk medicin, for eksempel i oftalmologi, for non-invasivt at opnå detaljerede 3D-billeder af nethinden og underliggende vævsstruktur.

I et nyt blad udgivet i Lys:Videnskab og applikationer , et team af forskere fra UCLA og University of Houston (UH) har udviklet en deep learning-baseret OCT-billedrekonstruktionsmetode, der med succes kan generere 3D-billeder af vævsprøver ved hjælp af væsentligt færre spektrale data end normalt krævet. Ved at bruge standard billedrekonstruktionsmetoder anvendt i OLT, undersamplede spektraldata, hvor nogle af de spektrale målinger er udeladt, ville resultere i alvorlige rumlige artefakter i de rekonstruerede billeder, slører 3D-information og strukturelle detaljer af prøven, der skal visualiseres. I deres nye tilgang, UCLA- og UH-forskere trænede et neuralt netværk ved hjælp af dyb læring til hurtigt at rekonstruere 3D-billeder af vævsprøver med meget færre spektrale data end normalt erhvervet i et typisk OCT-system, med succes at fjerne de rumlige artefakter observeret i standard billedrekonstruktionsmetoder.

Effektiviteten og robustheden af ​​denne nye metode blev demonstreret ved at afbilde forskellige menneskelige og musevævsprøver ved hjælp af 3 gange færre spektrale data fanget af et avanceret swept-source OCT-system. Kører på grafikbehandlingsenheder (GPU'er), det neurale netværk eliminerede med succes alvorlige rumlige artefakter på grund af undersampling og udeladelse af de fleste spektrale datapunkter på mindre end en tusindedel af et sekund for et OCT-billede, der er sammensat af 512 dybdescanninger (A-linjer).

"Disse resultater fremhæver det transformative potentiale i denne neurale netværksbaserede OCT-billedrekonstruktionsramme, som let kan integreres med forskellige spektrale domæne OCT-systemer, at forbedre deres 3D-billeddannelseshastighed uden at ofre opløsning eller signal-til-støj af de rekonstruerede billeder, " sagde Dr. Aydogan Ozcan, kanslerens professor i elektro- og computerteknik ved UCLA og associeret direktør for California NanoSystems Institute, hvem er den øverste korresponderende forfatter til værket.

Denne forskning blev ledet af Dr. Ozcan, i samarbejde med Dr. Kirill Larin, professor i biomedicinsk teknik ved University of Houston. De andre forfattere af dette værk er Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, og Yair Rivenson. Dr. Ozcan har også UCLA-fakultetsaftaler inden for bioteknik og kirurgi, og er HHMI-professor.