人工智能提高了生物医学成像

光声成像在可视化血管方面特别擅长。

Eth苏黎世和苏黎世大学的科学家使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可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌。但是，渲染图像的质量非常依赖于设备使用的传感器的数量和分布：其中更多，图像质量越好。ETH研究人员开发的新方法允许在不放弃所产生的图像质量的情况下大幅减少传感器的数量。这使得可以降低设备成本，提高成像速度或改善诊断。

光声系统（见框）在一些方面类似于超声成像。在后者中，探针将超声波送入体内，该主体被组织反射。探头中的传感器检测随后产生返回声波和身体内部的图像。在光声成像中，改为非常短的激光脉冲被送入组织中，在那里它们被吸收并转换成超声波。与超声成像类似，检测波浪并转换成图像。

纠正图像扭曲

LeD Zurich和苏黎世大学的生物医学成像教授达尼尔雷泽斯基领导的团队搜索了一种提高低成本光声器件的图像质量，该装置只有少量超声波传感器。

为此，他们开始使用具有512个传感器的自主开发的高端光声扫描仪，该扫描器提供了卓越的图像。他们通过人工神经网络分析了这些照片，该图片能够学习高质量图像的特征。

科学家使用光声断层扫描来创建鼠标的横截面图像。使用机器学习，它们能够在很大程度上恢复记录的图像质量，更少的传感器。

接下来，研究人员丢弃了大部分传感器，因此只有128或32个传感器仍然存在，对图像质量有害影响。由于数据缺乏，图像中出现了称为条纹型伪像的扭曲。然而，事实证明，先前培训的神经网络能够在很大程度上校正这些扭曲，从而使图像质量更接近与所有512传感器获得的测量值。

在光声中，图像质量不仅增加了所使用的传感器的数量，而且还增加了当信息从尽可能多的方向捕获时：传感器围绕物体布置的扇区越大，质量越好。开发的机器学习算法也成功地提高了从狭隘的界面录制的图像的质量。“这对临床应用尤其重要，因为激光脉冲不能穿透整个人体，因此成像区域通常仅从一个方向上访问，”根据Razansky。

促进临床决策

科学家强调他们的方法不仅限于光声成像。因为该方法在重建图像上运行，而不是原始记录的数据，所以它也适用于其他成像技术。“您可以基本上使用相同的方法来生产来自任何稀疏数据的高质量图像，”Razansky说。他解释说，医生往往面临着解释患者质量差的图像的挑战。“我们表明这种图像可以通过AI方法改进，使得更容易获得更准确的诊断。”

对于拉扎斯基，这项研究工作是可以使用现有人工智能方法的一个很好的例子。“许多人认为AI可以取代人类的智慧。这可能夸大了，至少对于目前可用的AI技术，“他说。“它不能取代人类的创造力，但可能会从一些费力，重复的任务中释放我们。”

在目前的研究中，科学家们使用了针对小型动物定制的光声断层扫描装置，并用来自小鼠的图像训练了机器学习算法。Razansky说，下一步将应用于来自人类患者的光声图像的方法。

揭示组织功能

与光声学（也称为光声）不同，许多成像技术，例如超声波，X射线或MRI，主要适用于可视化体内的解剖改变。为了接收额外的功能信息，例如有关血流或代谢变化，患者必须在成像前施用造影剂或放射性物质。相反，光声方法可以在不引入造影剂的情况下可视化功能和分子信息。一个例子是组织氧合的局部变化 - 可用于早期诊断的癌症的重要地标。血管中的脂质含量是另一个潜在的疾病标志物，可以帮助早期发现心血管疾病。

然而，应该注意的是，因为与其他波的光声成像中使用的光波不完全穿透人体，所以该方法仅适用于在皮肤下方的少数厘米的深度中调查组织。

参考：NEDA Davoudi，XoséLuísDaán-Ben和Daniel Razansky，2019年9月16日，自然机器智能，“深入了解数据深度学习资讯科学遗产”
10.1038 / s42256-019-0095-3