人工智能改善生物醫學成像

ETH研究人員使用人工智能來提高通過相對較新的生物醫學成像方法記錄的圖像的質量。這為更準確的診斷和具有成本效益的設備鋪平了道路。

蘇黎世聯邦理工學院和蘇黎世大學的科學家已經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于諸如可視化血管，研究腦活動，表征皮膚病變和診斷乳腺癌等應用。但是，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：傳感器的數量越多，圖像質量就越好。ETH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。這使得可以降低設備成本，提高成像速度或改善診斷。

光聲學(見方框)在某些方面與超聲成像相似。在后者中，探針將超聲波發送到體內，并被組織反射。探頭中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，取而代之的是將非常短的激光脈沖發送到組織中，然后被吸收并轉換成超聲波。類似于超聲成像，波被檢測并轉換為圖像。

校正圖像失真

蘇黎世聯邦理工學院生物醫學影像學教授丹尼爾·拉贊斯基(Daniel Razansky)和蘇黎世大學(University of Zurich)領導的研究小組正在尋找一種方法來提高僅具有少量超聲波傳感器的低成本光聲設備的圖像質量。

為此，他們開始使用具有512個傳感器的自行開發的高端光聲掃描儀，該掃描儀可提供高質量的圖像。他們通過人工神經網絡對這些圖片進行了分析，從而能夠了解高質量圖像的特征。

接下來，研究人員丟棄了大多數傳感器，因此只剩下128或32個傳感器，這對圖像質量產生了不利影響。由于缺乏數據，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。