Optische coherentietomografie (OCT) is een niet-invasieve beeldvormingsmethode die 3D-informatie van biologische monsters kan leveren. De eerste generatie OCT-systemen waren gebaseerd op beeldvorming in het tijdsdomein, met behulp van een mechanische scanopstelling. Echter, de relatief lage data-acquisitiesnelheid van deze eerdere OCT-systemen in het tijdsdomein beperkte gedeeltelijk hun gebruik voor het afbeelden van levende specimens. De introductie van de OCT-technieken in het spectrale domein met een hogere gevoeligheid heeft bijgedragen aan een dramatische toename van de beeldsnelheid en kwaliteit. OCT wordt nu veel gebruikt in de diagnostische geneeskunde, bijvoorbeeld in de oogheelkunde, om op niet-invasieve wijze gedetailleerde 3D-beelden van het netvlies en de onderliggende weefselstructuur te verkrijgen.

In een nieuw artikel gepubliceerd in Licht:wetenschap en toepassingen , een team van wetenschappers van de UCLA en de Universiteit van Houston (UH) heeft een op deep learning gebaseerde OCT-beeldreconstructiemethode ontwikkeld die met succes 3D-beelden van weefselspecimen kan genereren met aanzienlijk minder spectrale gegevens dan normaal vereist. Met behulp van standaard beeldreconstructiemethoden die in OCT worden gebruikt, onderbemonsterde spectrale gegevens, waar sommige van de spectrale metingen zijn weggelaten, zou resulteren in ernstige ruimtelijke artefacten in de gereconstrueerde beelden, verduisterende 3D-informatie en structurele details van het te visualiseren monster. In hun nieuwe aanpak UCLA- en UH-onderzoekers hebben een neuraal netwerk getraind met behulp van deep learning om snel 3D-beelden van weefselmonsters te reconstrueren met veel minder spectrale gegevens dan normaal verkregen in een typisch OCT-systeem, het succesvol verwijderen van de ruimtelijke artefacten die zijn waargenomen in standaard beeldreconstructiemethoden.

De werkzaamheid en robuustheid van deze nieuwe methode werd aangetoond door beeldvorming van verschillende weefselmonsters van mens en muis met behulp van 3-voudig minder spectrale gegevens die zijn vastgelegd door een ultramodern OCT-systeem met swept-source. Draait op grafische verwerkingseenheden (GPU's), het neurale netwerk elimineerde met succes ernstige ruimtelijke artefacten als gevolg van onderbemonstering en weglating van de meeste spectrale gegevenspunten in minder dan een duizendste van een seconde voor een OCT-beeld dat is samengesteld uit 512 dieptescans (A-lijnen).

"Deze resultaten benadrukken het transformatieve potentieel van dit neurale netwerkgebaseerde OCT-beeldreconstructiekader, die eenvoudig kan worden geïntegreerd met verschillende OCT-systemen in het spectrale domein, om hun 3D-beeldsnelheid te verbeteren zonder in te boeten aan resolutie of signaal-naar-ruis van de gereconstrueerde beelden, " zei dr. Aydogan Ozcan, de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA en een associate director van het California NanoSystems Institute, wie is de senior corresponderende auteur van het werk.

Dit onderzoek werd geleid door Dr. Ozcan, in samenwerking met Dr. Kirill Larin, een hoogleraar biomedische technologie aan de Universiteit van Houston. De andere auteurs van dit werk zijn Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Cetintas, en Yair Rivenson. Dr. Ozcan heeft ook UCLA-faculteitsafspraken in bio-engineering en chirurgie, en is een HHMI-hoogleraar.