亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊醫材報導醫材產業人工智能改善了生物醫學成像

人工智能改善了生物醫學成像

來源 : 亞洲健康互聯海外中心
update : 2019/10/01
光聲成像特別擅長可視化血管。圖片來源:蘇黎世聯邦理工學院 Daniel Razansky

蘇黎世聯邦理工學院和蘇黎世大學的科學家,使用機器學習方法來改善光聲成像。這種相對較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應用。但是,渲染圖像的品質很大程度上,取決於使用設備的傳感器數量和傳感器的分佈,傳感器的數量越多,圖像品質就越好。ETH研究人員開發的新方法,可以在不放棄最終圖像品質的情況下,大幅減少傳感器的數量,以降低設備成本、提高成像速度或改善診斷。

該研究結果發表在《智能》期刊。

光聲學在某些方面與超音波成像相似。在後者中,探頭將超音波發送到體內,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音波。類似於超音波成像,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影像學教授Daniel Razansky領導的團隊,尋求一種方法來提高僅擁有少量超音波傳感器的低成本光聲設備的圖像品質。

為此,他們先是使用自行開發,具有512個傳感器的高端光聲掃描儀來提供高品質的圖像。他們透過人工神經網絡對這些圖片進行了分析,從而能夠了解高品質圖像的特徵。

接下來,研究人員丟棄了大多數傳感器,只剩下12832個傳感器,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,從而使圖像品質更接近使用所有512個傳感器獲得的測量結果。

在光聲技術中,圖像品質不僅隨所用傳感器的數量而提高,而且當從盡可能多的方向捕獲資訊時,圖像品質也會提高:傳感器圍繞物體佈置的扇區越大,品質越好。所開發的機器學習演算法,還成功地改善了僅在有限範圍內紀錄的圖像品質。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
科學家們強調說,他們的方法不僅限於光聲成像。因為該方法對重建的圖像而不是原始紀錄的數據進行操作,因此它也適用於其他成像技術。「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品質的圖像,」Razansky說。他解釋說,醫生通常面臨著解釋患者低品質圖像的挑戰。「我們證明,使用AI方法可以改善此類圖像,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能方法的應用。他說:「人工智能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層析成像設備,並用小鼠的圖像訓練了機器學習演算法。Razansky說,下一步是將該方法應用於人類患者的光聲圖像。

揭示組織功能
與光聲技術不同,許多成像技術例如超音波、X光或MRI,主要適用於可視化人體的解剖結構變化。為了接收其他功能資訊,例如有關血流或代謝變化的資訊,必須在成像之前為患者提供造影劑或放射性示踪劑。相反地,光聲方法可以可視化功能和分子資訊,而無需引入造影劑。一個例子是組織氧合作用的局部變化-組織癌症的重要標誌可用於早期診斷。血管中的脂質含量是另一種潛在的疾病標記,可以幫助及早發現心血管疾病。

但是,應該注意的是,由於與其他光波不同,光聲成像中使用的光波無法完全穿透人體,因此該方法僅適用於研究皮膚下幾厘米深的組織。