人工智能改善生物醫學成像

ETH的研究人員利用人工智能來提高一種相對較新的生物醫學成像方法所記錄的圖像的質量。這為更準確的診斷和更經濟的設備鋪平了道路。

蘇黎世聯邦理工學院(ETH Zurich)和蘇黎世大學(University of Zurich)的科學家使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以用于血管的可視化、大腦活動的研究、皮膚病變的表征和乳腺癌的診斷。然而，渲染圖像的質量很大程度上取決于設備使用的傳感器的數量和分布:傳感器越多，圖像質量越好。ETH研究人員開發的新方法允許大量減少傳感器的數量，同時又不放棄產生的圖像質量。這使得降低設備成本、提高成像速度或改善診斷成為可能。

光聲學在某些方面與超聲波成像相似。在后者中，探頭向體內發射超聲波，超聲波被組織反射。探測器上的傳感器檢測返回的聲波，隨后生成人體內部的圖像。在光聲成像中，非常短的激光脈沖被送入組織，在那里它們被吸收并轉換成超聲波。與超聲波成像類似，聲波被探測到并轉換成圖像。

圖像失真校正

由蘇黎世聯邦理工學院(ETH Zurich)和蘇黎世大學(University of Zurich)生物醫學成像教授丹尼爾?拉贊斯基(Daniel Razansky)領導的研究小組，探索了一種提高低成本光聲學設備成像質量的方法，這種設備只有少量超聲波傳感器。

為了實現這一目標，他們首先使用了一種自行開發的高端光聲掃描儀，這種掃描儀有512個傳感器，可以提供高質量的圖像。他們讓人工神經網絡分析這些圖片，這樣就能了解高質量圖像的特征。

接下來，研究人員丟棄了大部分傳感器，只剩下128或32個傳感器，這對圖像質量造成了不利影響。由于缺乏數據，圖像中出現了被稱為條紋型人工制品的扭曲。然而，結果證明，之前訓練的神經網絡能夠在很大程度上糾正這些失真，從而使圖像質量更接近所有512個傳感器的測量值。

在光聲學中，圖像質量不僅隨著傳感器數量的增加而提高，而且當信息從盡可能多的方向被捕獲時也會提高:傳感器在物體周圍布置的區域越大，質量越好。所開發的機器學習算法也成功地提高了圖像的質量，這些圖像只記錄在一個狹窄的有限區域內。“這對臨床應用尤其重要，因為激光脈沖不能穿透整個人體，因此成像區域通常只能從一個方向進入，”拉贊斯基說。

促進臨床決策

科學家們強調，他們的方法并不局限于光聲成像。由于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，因此也適用于其他成像技術。“你基本上可以用同樣的方法從任何稀疏數據中生成高質量的圖像，”拉贊斯基說。他解釋說，醫生經常面臨的挑戰是如何解讀來自病人的低質量圖像。“我們證明，這種圖像可以通過人工智能方法得到改善，從而更容易獲得更準確的診斷。”

對于拉贊斯基來說，這項研究工作是一個很好的例子，說明現有的人工智能方法可以用于什么。“許多人認為人工智能可以取代人類智能。至少就目前可用的人工智能技術而言，這可能有些夸張，”他表示。“它不能取代人類的創造力，但可能會讓我們從一些費力、重復的工作中解脫出來。”

在他們目前的研究中，科學家們使用了一種專為小動物定制的光聲斷層掃描設備，并用老鼠的圖像訓練機器學習算法。拉贊斯基說，下一步將是把這種方法應用于病人的光聲圖像。

揭示組織功能

與光聲學(也稱為光聲學)不同，許多成像技術，如超聲、x射線或MRI，主要適用于可視化的人體解剖變化。為了獲得額外的功能信息，例如關于血流或代謝變化的信息，患者必須在成像前使用造影劑或放射性示蹤劑。與此相反，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信息。一個例子是組織氧合的局部變化，這是癌癥的一個重要標志，可用于早期診斷。血管內的脂質含量是另一種潛在的疾病標志物，有助于心血管疾病的早期發現。

然而，應該指出的是，由于用于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于研究皮膚下幾厘米深的組織。