ETH-onderzoekers gebruiken kunstmatige intelligentie om de kwaliteit van beelden die zijn vastgelegd met een relatief nieuwe biomedische beeldvormingsmethode te verbeteren. Dit effent de weg naar een nauwkeurigere diagnose en kosteneffectieve apparaten.

Wetenschappers van ETH Zürich en de Universiteit van Zürich hebben machinale leermethoden gebruikt om opto-akoestische beeldvorming te verbeteren. Deze relatief jonge medische beeldvormingstechniek kan worden gebruikt voor toepassingen zoals het visualiseren van bloedvaten, hersenactiviteit bestuderen, het karakteriseren van huidlaesies en het diagnosticeren van borstkanker. Echter, kwaliteit van de weergegeven afbeeldingen is sterk afhankelijk van het aantal en de distributie van sensoren die door het apparaat worden gebruikt:hoe meer, hoe beter de beeldkwaliteit. De nieuwe aanpak die door de ETH-onderzoekers is ontwikkeld, zorgt voor een substantiële vermindering van het aantal sensoren zonder in te leveren op de resulterende beeldkwaliteit. Dit maakt het mogelijk om de apparaatkosten te verlagen, de beeldsnelheid verhogen of de diagnose verbeteren.

Opto-akoestiek (zie kader) is in sommige opzichten vergelijkbaar met echografie. In het laatstgenoemde, een sonde stuurt ultrasone golven het lichaam in, die door het weefsel worden weerkaatst. Sensoren in de sonde detecteren de terugkerende geluidsgolven en vervolgens wordt een beeld van de binnenkant van het lichaam gegenereerd. Bij opto-akoestische beeldvorming in plaats daarvan worden zeer korte laserpulsen in het weefsel gestuurd, waar ze worden geabsorbeerd en omgezet in ultrasone golven. Net als bij echografie, de golven worden gedetecteerd en omgezet in beelden.

Corrigeren voor beeldvervormingen

Het team onder leiding van Daniel Razansky, Hoogleraar biomedische beeldvorming aan de ETH Zürich en de Universiteit van Zürich, zocht naar een manier om de beeldkwaliteit te verbeteren van goedkope opto-akoestische apparaten die slechts over een klein aantal ultrasone sensoren beschikken.

Om dit te doen, ze begonnen met een zelf ontwikkelde high-end opto-akoestische scanner met 512 sensoren, die beelden van superieure kwaliteit opleverde. Ze lieten deze foto's analyseren door een kunstmatig neuraal netwerk, die in staat was om de kenmerken van de afbeeldingen van hoge kwaliteit te leren.

Volgende, de onderzoekers gooiden de meeste sensoren weg, zodat er nog maar 128 of 32 sensoren over waren, met een nadelig effect op de beeldkwaliteit. Door het ontbreken van gegevens, vervormingen die bekend staan ​​als artefacten van het streak-type verschenen in de afbeeldingen. Het bleek, echter, dat het eerder getrainde neurale netwerk deze vervormingen grotendeels kon corrigeren, waardoor de beeldkwaliteit dichter bij de metingen komt die met alle 512 sensoren zijn verkregen.

In opto-akoestiek, de beeldkwaliteit neemt niet alleen toe met het aantal gebruikte sensoren, maar ook als de informatie uit zoveel mogelijk richtingen wordt opgevangen:hoe groter de sector waarin de sensoren rond het object zijn opgesteld, hoe beter de kwaliteit. Het ontwikkelde machine learning-algoritme was ook succesvol in het verbeteren van de kwaliteit van afbeeldingen die werden opgenomen vanuit slechts een nauw omschreven sector. "Dit is vooral belangrijk voor klinische toepassingen, omdat de laserpulsen niet het hele menselijk lichaam kunnen doordringen, vandaar dat het afgebeelde gebied normaal gesproken alleen vanuit één richting toegankelijk is, " volgens Razansky.

Vergemakkelijken van klinische besluitvorming

De wetenschappers benadrukken dat hun aanpak niet beperkt is tot opto-akoestische beeldvorming. Omdat de methode werkt op de gereconstrueerde beelden, niet de ruwe geregistreerde gegevens, het is ook toepasbaar op andere beeldvormingstechnieken. "Je kunt in principe dezelfde methode gebruiken om afbeeldingen van hoge kwaliteit te maken van alle soorten schaarse gegevens, ", zegt Razansky. Hij legt uit dat artsen vaak worden geconfronteerd met de uitdaging om beelden van patiënten van slechte kwaliteit te interpreteren. "We laten zien dat dergelijke beelden kunnen worden verbeterd met AI-methoden, waardoor het gemakkelijker wordt om een ​​nauwkeurigere diagnose te stellen."

Voor Razansky, dit onderzoekswerk is een goed voorbeeld van waar bestaande methoden van kunstmatige intelligentie voor kunnen worden gebruikt. "Veel mensen denken dat AI menselijke intelligentie zou kunnen vervangen. Dit is waarschijnlijk overdreven, althans voor de momenteel beschikbare AI-technologie, "zegt hij. "Het kan de menselijke creativiteit niet vervangen, kan ons toch verlossen van wat moeizaam, repetitieve taken."

In hun huidige onderzoek de wetenschappers gebruikten een opto-akoestisch tomografieapparaat dat is aangepast voor kleine dieren, en trainde de machine learning-algoritmen met afbeeldingen van muizen. De volgende stap zal zijn om de methode toe te passen op opto-akoestische beelden van menselijke patiënten, zegt Razansky.

Onthullende weefselfunctie

In tegenstelling tot opto-akoestiek (ook bekend als foto-akoestiek), veel beeldvormende technieken, zoals echografie, Röntgenfoto of MRI, zijn vooral geschikt voor het zichtbaar maken van anatomische veranderingen in het lichaam. Om aanvullende functionele informatie te ontvangen, bijvoorbeeld met betrekking tot de bloedstroom of metabole veranderingen, de patiënt moet vóór de beeldvorming contrastmiddelen of radioactieve tracers toegediend krijgen. In tegenstelling tot, de opto-akoestische methode kan functionele en moleculaire informatie visualiseren zonder contrastmiddelen te introduceren. Een voorbeeld zijn lokale veranderingen in weefseloxygenatie - een belangrijk herkenningspunt van kanker dat kan worden gebruikt voor vroege diagnose. Lipidengehalte in bloedvaten is nog een andere potentiële ziektemarker, die kunnen helpen bij het vroegtijdig opsporen van hart- en vaatziekten.

Opgemerkt moet worden, echter, dat omdat de lichtgolven die worden gebruikt in opto-akoestische beeldvorming, in tegenstelling tot andere golven, niet volledig doordringen in het menselijk lichaam, de methode is alleen geschikt voor het onderzoeken van weefsels tot een diepte van enkele centimeters onder de huid.