Nat Machine Intelligence: 人工智能助力生物医学成像
来源：本站原创 2019-10-01 01:12
2019年10月1日 讯 /生物谷BIOON/ --根据最近一项研究，苏黎世联邦理工学院和苏黎世大学的科学家成功利用机器学习方法来改善光声成像。这种相对年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌等方向。然而，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。 对此，研究人员开发的新方法可以在不放弃最终图像质量的情况下大幅
2019年10月1日 讯 /生物谷BIOON/ --根据最近一项研究，苏黎世联邦理工学院和苏黎世大学的科学家成功利用机器学习方法来改善光声成像。这种相对年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌等方向。然而，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。 对此，研究人员开发的新方法可以在不放弃最终图像质量的情况下大幅减少传感器的数量，从而可以降低设备成本，提高成像速度并改善诊断结果。
光声学在某些方面与超声成像相似。在后者中，探头将超声波发送到体内，并被组织反射。探头中的传感器检测返回的声波，随后生成人体内部的图像。在光声成像中，取而代之的是将非常短的激光脉冲发送到组织中，然后被吸收并转换成超声波。最终，超声波被检测并转换为图像。
(图片来源：Www.pixabay.com)
由苏黎世联邦理工学院和苏黎世大学生物医学影像学教授Daniel Razansky领导的团队开发了一种新的方法，能够在仅拥有少量超声传感器的情况下改善图像质量。
为此，他们首先使用具有512个传感器的高端光声扫描仪来提供高质量的图像。他们通过人工神经网络对这些图片进行了分析，从而了解了高质量图像的特征。
接下来，研究人员丢弃了大多数传感器，只留下128或32个传感器，这对图像质量产生了不利影响。由于缺乏数据，图像中出现了称为“条纹型伪影”的失真。然而，事实证明，先前训练的神经网络能够在很大程度上校正这些失真，从而使图像质量更接近使用所有512个传感器获得的测量结果。
在光声技术中，图像质量不仅随所用传感器的数量而提高，而且当从尽可能多的方向捕获信息时，图像质量也会提高：传感器围绕物体布置的扇区越大，质量越好。所开发的机器学习算法还成功地改善了仅在有限范围内记录的图像的质量。 Razansky说：“这对于临床应用特别重要，因为激光脉冲无法穿透整个人体，因此成像区域通常只能从一个方向进入。”
在他们目前的研究中，科学家使用了为小鼠量身定制的光声层析成像设备，并训练了相应的机器学习算法。Razansky说，下一步将是将该方法应用于人类患者的光声图像。（生物谷Bioon.com）
原始出处：Neda Davoudi, Xosé Luís Deán-Ben, Daniel Razansky. Deep learning optoacoustic tomography with sparse data. Nature Machine Intelligence, 2019; DOI: 10.1038/s42256-019-0095-3
版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
