AI將提升光聲成像的質量和可用性
在光聲領域，圖片質量取決于設備傳感器的數量和分布，傳感器越多，布置的范圍越廣，圖片的質量就越高。
為了讓成本降低，使用少量超聲波傳感器就能提高低成本光聲設備中的圖像質量，蘇黎世聯(lián)邦理工學院和蘇黎世大學的研究人員就將目光轉向了機器學習。他們開發(fā)了一個框架，可以利用深度卷積神經網絡從稀疏的光聲數據中有效恢復圖像質量，同時他們展示了他們進行小鼠體內全身成像的方法。
為了生成準確的高分辨率參考圖像來訓練神經網絡，該團隊首先開發(fā)了具有512個傳感器的高端光聲掃描儀，然后利用人工神經網絡分析并了解該設備生成的高質量圖像的特征。接著，研究人員從設備中移除大多數傳感器，從而使其成像質量下降。 由于數據不足，圖像中出現了條紋型偽像。但是，之前訓練有素的神經網絡能夠糾正大多數此類失真，使圖像質量接近設備具有全部512個傳感器時獲得的測量結果。此外，該團隊開發(fā)的機器學習算法能夠提高在狹窄范圍內記錄的圖像的質量。Daniel Razansky教授說：“這對于臨床應用尤為重要，因為激光脈沖無法穿透整個人體，因此成像區(qū)域通常只能從一個方向進入。” 而在使用合成或幻像數據進行神經網絡訓練時，收效甚微，這表明了使用全視圖掃描儀獲取的高質量體內圖像進行訓練的重要性。
研究小組表示，該方法可以應用于其他成像技術，因為該方法基于重建的圖像，而不是原始記錄的數據。“您基本上可以使用相同的方法從任何種類的稀疏數據中生成高質量圖像，” Razansky說。醫(yī)師通常面臨著解釋低質量圖像的挑戰(zhàn)。他說：“我們證明，使用AI方法可以改善此類圖像，使其更容易獲得更準確的診斷�！�
通過減輕常見的圖像偽影，增強解剖對比度和圖像量化能力以及加速數據采集和圖像重建，該新方法可以使許多光聲成像應用受益。它還可以促進實用和實惠的光聲成像系統(tǒng)的開發(fā)。
對于他們目前的研究，科學家使用了為小動物定制的光聲層析成像設備，并用小鼠的圖像訓練了機器學習算法。他們的下一步是將他們的方法應用于人類患者的光聲圖像。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
