人工智能改善了生物医学成像

• 人工智能改善了生物医学成像
  
  苏黎世联邦理工学院和苏黎世大学的科学家已经使用机器学习方法来改善光声成像。这种相对较年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌等应用。但是，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。ETH研究人员开发的新方法可以在不放弃最终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。
  光声学(见方框)在某些方面与超声成像相似。在后者中，探头将超声波发送到体内，并被组织反射。探头中的传感器检测返回的声波，随后生成人体内部的图像。在光声成像中，取而代之的是将非常短的激光脉冲发送到组织中，然后被吸收并转换成超声波。类似于超声成像，波被检测并转换为图像。
  
  校正图像失真
  由苏黎世联邦理工学院和苏黎世大学生物医学影像学教授丹尼尔·拉赞斯基(Daniel Razansky)领导的团队寻找一种方法来提高仅拥有少量超声传感器的低成本光声设备的图像质量。
  为此，他们首先使用具有512个传感器的自行开发的高端光声扫描仪来提供高质量的图像。他们通过人工神经网络对这些图片进行了分析，从而能够了解高质量图像的特征。
  接下来，研究人员丢弃了大多数传感器，因此只剩下128或32个传感器，这对图像质量产生了不利影响。由于缺乏数据，图像中出现了称为条纹型伪影的失真。然而，事实证明，先前训练的神经网络能够在很大程度上校正这些失真，从而使图像质量更接近使用所有512个传感器获得的测量结果。
  在光声技术中，图像质量不仅随所用传感器的数量而提高，而且当从尽可能多的方向捕获信息时，图像质量也会提高：传感器围绕物体布置的扇区越大，质量越好。所开发的机器学习算法还成功地改善了仅在有限范围内记录的图像的质量。Razansky说：“这对于临床应用特别重要，因为激光脉冲无法穿透整个人体，因此成像区域通常只能从一个方向进入。”
  促进临床决策
  科学家们强调说，他们的方法不仅限于光声成像。因为该方法对重建的图像而不是原始记录的数据进行操作，所以它也适用于其他成像技术。“您基本上可以使用相同的方法从任何种类的稀疏数据中生成高质量的图像，” Razansky说。他解释说，医生通常面临着解释来自患者的低质量图像的挑战。“我们证明，使用AI方法可以改善此类图像，使更容易获得更准确的诊断。”
  对于拉赞斯基来说，这项研究工作很好地说明了现有的人工智能方法可以用于什么。他说：“许多人认为人工智能可以代替人类的智能。至少在当前可用的人工智能技术方面，这可能被夸大了。”“它不能取代人类的创造力，但可能使我们摆脱一些繁琐而重复的任务。”
  在他们目前的研究中，科学家使用了为小动物量身定制的光声层析成像设备，并用小鼠的图像训练了机器学习算法。Razansky说，下一步将是将该方法应用于人类患者的光声图像。
  揭示组织功能
  与光声技术(也称为光声技术)不同，许多成像技术(例如超声，X射线或MRI)主要适用于可视化人体的解剖结构变化。为了接收其他功能信息，例如有关血流或代谢变化的信息，必须在成像之前为患者提供造影剂或放射性示踪剂。相反，光声方法可以可视化功能和分子信息，而无需引入造影剂。一个例子是组织氧合的局部变化-一种可用于早期诊断的重要癌症标志。血管中的脂质含量是另一种潜在的疾病标记，可帮助及早发现心血管疾病。
  但是，应该注意的是，由于与其他光波不同，光声成像中使用的光波无法完全穿透人体，因此该方法仅适用于研究皮肤下几厘米深的组织。