2019年10月1日 訊 /生物谷BIOON/ --根據最近一項研究，蘇黎世聯邦理工學院和蘇黎世大學的科學家成功利用機器學習方法來改善光聲成像。這種相對年輕的醫學成像技術可用於諸如可視化血管，研究腦活動，表徵皮膚病變和診斷乳腺癌等方向。然而，渲染圖像的質量很大程度上取決於設備使用的傳感器的數量和分布：傳感器的數量越多，圖像質量就越好。 對此，研究人員開發的新方法可以在不放棄最終圖像質量的情況下大幅減少傳感器的數量，從而可以降低設備成本，提高成像速度並改善診斷結果。
光聲學在某些方面與超聲成像相似。在後者中，探頭將超聲波發送到體內，並被組織反射。探頭中的傳感器檢測返回的聲波，隨後生成人體內部的圖像。在光聲成像中，取而代之的是將非常短的雷射脈衝發送到組織中，然後被吸收並轉換成超聲波。最終，超聲波被檢測並轉換為圖像。
(圖片來源：Www.pixabay.com)
由蘇黎世聯邦理工學院和蘇黎世大學生物醫學影像學教授Daniel Razansky領導的團隊開發了一種新的方法，能夠在僅擁有少量超聲傳感器的情況下改善圖像質量。
為此，他們首先使用具有512個傳感器的高端光聲掃描儀來提供高質量的圖像。他們通過人工神經網絡對這些圖片進行了分析，從而了解了高質量圖像的特徵。
接下來，研究人員丟棄了大多數傳感器，只留下128或32個傳感器，這對圖像質量產生了不利影響。由於缺乏數據，圖像中出現了稱為「條紋型偽影」的失真。然而，事實證明，先前訓練的神經網絡能夠在很大程度上校正這些失真，從而使圖像質量更接近使用所有512個傳感器獲得的測量結果。
在光聲技術中，圖像質量不僅隨所用傳感器的數量而提高，而且當從儘可能多的方向捕獲信息時，圖像質量也會提高：傳感器圍繞物體布置的扇區越大，質量越好。所開發的機器學習算法還成功地改善了僅在有限範圍內記錄的圖像的質量。 Razansky說：「這對於臨床應用特別重要，因為雷射脈衝無法穿透整個人體，因此成像區域通常只能從一個方向進入。」
在他們目前的研究中，科學家使用了為小鼠量身定製的光聲層析成像設備，並訓練了相應的機器學習算法。Razansky說，下一步將是將該方法應用於人類患者的光聲圖像。（生物谷Bioon.com）