轉載從: Tech News 科技新報
近日，蘇黎世聯邦理工學院和蘇黎世大學的科學家宣布，可以利用機器學習方法來改善光聲成像，成果發表在 Nature Machine Intelligence 上。
「光聲成像」是近年來發展起來的一種非入侵式和非電離式的新型生物醫學成像方法，可用於血管可視化、研究腦活動、表徵皮膚病變和診斷乳腺癌等應用。但是，渲染圖像的品質很大程度上取決於設備上的感測器數量和分佈：感測器的數量越多，圖像品質就越好。
蘇黎世聯邦理工學院的研究人員開發了一種新方法，可以在不放棄最終圖像品質的情況下大幅減少感測器的數量，進而降低設備成本，提高成像速度或改善診斷。
圖像失真校正
光聲學在某些方面與超音波成像相似。
在超音波成像中，探頭將超音波發送到體內，並被組織反射。探頭中的感測器檢測返回的聲波，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射到組織中，然後被吸收並轉換成超音波。類似於超音波成像，聲波被檢測並轉換為圖像。
由蘇黎世聯邦理工學院和蘇黎世大學生物醫學成像教授 Daniel Razansky 領導的團隊探索了一種方法，來提高僅擁有少量超音波感測器的低成本光聲設備的圖像品質。
為了實現這個目標，他們首先使用了一種自行開發的高階光聲掃描儀，這種掃描儀有 512 個感測器，可以提供高品質的圖像。他們透過人工神經網路對這些圖片進行分析，進而能夠學習高品質圖像的特徵。
接下來，研究人員拿掉了大多數感測器，只剩下 128 個或 32 個感測器，這對圖像品質產生了不利影響。由於缺乏數據，圖像中出現了被稱為條紋型偽影的失真。
然而，事實證明，先前訓練的神經網路能夠在很大程度上校正這些失真，進而使圖像品質更接近使用所有 512 個感測器獲得的測量結果。
據了解，在光聲技術中，圖像品質不僅隨著所用感測器的數量而提高，而且當從盡可能多的方向捕獲資訊時，圖像品質也會提高：感測器圍繞物體布置的扇區越大，品質越好。研究人員開發的機器學習演算法還成功地改善了僅在有限範圍內記錄的圖像品質。
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。」
促進臨床決策
科學家們強調，他們的方法並不局限於光聲成像。由於該方法是對重建圖像進行處理，而不是對原始記錄數據進行處理，因此也適用於其他成像技術。「基本上可以用同樣的方法從任何稀疏數據中生成高品質的圖像，」Razansky 說。他解釋，醫生經常面臨的挑戰是如何解讀來自病人的低品質圖像。「我們證明，這種圖像可以透過人工智慧方法得到改善，進而更容易獲得更準確的診斷。」
對於 Razansky 來說，這項研究工作很好地說明了現有的人工智慧方法可以用在什麼地方。他說：「許多人認為人工智慧可以代替人類的智慧。至少在當前可用的人工智慧技術方面，這可能被誇大了。它不能取代人類的創造力，但可能使我們擺脫一些繁瑣而重複的任務。」
在他們目前的研究中，科學家使用了為小動物量身定製的光聲斷層掃描設備，並用小鼠的圖像訓練了機器學習算法。Razansky 說，下一步將是將該方法應用於人類患者的光聲圖像。
揭示組織功能
與光聲學不同，許多成像技術如超音波、X 射線或 MRI，主要適用於可視化的人體解剖變化。為了獲得額外的功能資訊，例如關於血流或代謝變化的資訊，患者必須在成像前使用造影劑或放射性示蹤劑。
與此相反的是，光聲學方法可以在不引入造影劑的情況下可視化功能和分子資訊。一個例子是組織氧合的局部變化──一種可用於早期診斷的重要癌症標誌。血管中的脂質含量是另一種潛在的疾病標記，可幫助及早發現心血管疾病。
由於用於光聲成像的光波與其他光波不同，不能完全穿透人體，因此這種方法只適用於研究皮膚下幾公分深的組織。
（本文由 雷鋒網 授權轉載；首圖為光聲成像的可視化血管圖像，來源：蘇黎世聯邦理工學院）