Het genereren van uitgebreide moleculaire beelden van organen en tumoren in levende organismen kan ultrasnel worden uitgevoerd met behulp van een nieuwe deep learning-benadering van beeldreconstructie die is ontwikkeld door onderzoekers van het Rensselaer Polytechnic Institute.

De nieuwe techniek van het onderzoeksteam heeft het potentieel om de kwaliteit en snelheid van beeldvorming bij levende onderwerpen enorm te verbeteren en was de focus van een artikel dat onlangs is gepubliceerd in Licht:wetenschap en toepassingen , een natuurjournaal.

Compressed sensing-gebaseerde beeldvorming is een signaalverwerkingstechniek die kan worden gebruikt om beelden te creëren op basis van een beperkt aantal puntmetingen. Onlangs, een onderzoeksteam van Rensselaer stelde een nieuwe instrumentele benadering voor om deze methodologie te gebruiken om uitgebreide moleculaire datasets te verkrijgen, zoals gerapporteerd in Natuurfotonica . Hoewel die aanpak completere beelden opleverde, het verwerken van de gegevens en het vormen van een afbeelding kan uren duren.

Deze nieuwste methodologie die bij Rensselaer is ontwikkeld, bouwt voort op de eerdere vooruitgang en heeft het potentieel om realtime beelden te produceren, terwijl ook de kwaliteit en bruikbaarheid van de geproduceerde afbeeldingen worden verbeterd. Dit zou de ontwikkeling van gepersonaliseerde medicijnen kunnen vergemakkelijken, de klinische diagnostiek verbeteren, of identificeer weefsel dat moet worden weggesneden.

Naast een globale momentopname van het onderzochte onderwerp, inclusief de organen of tumoren die onderzoekers visueel hebben gericht met behulp van florescentie, dit beeldvormingsproces kan informatie onthullen over de succesvolle intracellulaire afgifte van geneesmiddelen door de vervalsnelheid van de fluorescentie te meten.

Om bijna realtime visualisatie van moleculaire gebeurtenissen mogelijk te maken, het onderzoeksteam heeft gebruik gemaakt van de nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie. De sterk verbeterde beeldreconstructie wordt bereikt met behulp van een diepgaande leerbenadering. Deep learning is een complexe reeks algoritmen die zijn ontworpen om een ​​computer te leren gegevens te herkennen en te classificeren. specifiek, dit team ontwikkelde een convolutionele neurale netwerkarchitectuur die de Rensselaer-onderzoekers Net-FLICS noemen, wat staat voor fluorescentielevensduurbeeldvorming met gecomprimeerde waarneming.

"Deze techniek is veelbelovend voor het verkrijgen van een nauwkeurigere diagnose en behandeling, " zei Pingkun Yan, mededirecteur van het Biomedical Imaging Center in Rensselaer. "Deze technologie kan een arts helpen beter te visualiseren waar een tumor zich bevindt en de exacte grootte ervan. Ze kunnen dan de tumor nauwkeurig afsnijden in plaats van een groter deel weg te snijden en de gezonde, normaal weefsel."

Yan ontwikkelde deze aanpak met de corresponderende auteur Xavier Intes, de andere mededirecteur van het Biomedical Imaging Center in Rensselaer, dat deel uitmaakt van het Rensselaer Centrum voor Biotechnologie en Interdisciplinaire Studies. Promovendi Marien Ochoa en Ruoyang Yao ondersteunden het onderzoek.

"Aan het einde, het doel is om deze te vertalen naar een klinische setting. Als u klinische systemen heeft, wilt u meestal zo snel mogelijk zijn, " zei Ochoa, terwijl ze nadacht over de snelheid waarmee deze nieuwe techniek onderzoekers in staat stelt deze beelden vast te leggen.

Verdere ontwikkeling is nodig voordat deze baanbrekende nieuwe technologie in een klinische setting kan worden gebruikt. Echter, de voortgang ervan is versneld door gesimuleerde gegevens op basis van modellering op te nemen, een bijzondere specialiteit voor Intes en zijn lab.

"Voor deep learning heb je meestal een hele grote hoeveelheid data nodig voor training, maar voor dit systeem hebben we die luxe nog niet omdat het een heel nieuw systeem is, " zei Jan.

Hij zei dat het onderzoek van het team ook aantoont dat modellering innovatief kan worden gebruikt in beeldvorming, het model nauwkeurig uit te breiden tot de echte experimentele gegevens.