近日，苏黎世联邦理工学院和苏黎世大学的科学家宣布，可以利用机器学习方法来改善光声成像，成果发表在 Nature Machine Intelligence 上。
“光声成像”是近年来发展起来的一种非入侵式和非电离式的新型生物医学成像方法，可用于血管可视化、研究脑活动、表征皮肤病变和诊断乳腺癌等应用。但是，渲染图像的品质很大程度上取决于设备上的感测器数量和分布：感测器的数量越多，图像品质就越好。
苏黎世联邦理工学院的研究人员开发了一种新方法，可以在不放弃最终图像品质的情况下大幅减少感测器的数量，进而降低设备成本，提高成像速度或改善诊断。
图像失真校正
光声学在某些方面与超音波成像相似。
在超音波成像中，探头将超音波发送到体内，并被组织反射。探头中的感测器检测返回的声波，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射到组织中，然后被吸收并转换成超音波。类似于超音波成像，声波被检测并转换为图像。
由苏黎世联邦理工学院和苏黎世大学生物医学成像教授 Daniel Razansky 领导的团队探索了一种方法，来提高仅拥有少量超音波感测器的低成本光声设备的图像品质。
为了实现这个目标，他们首先使用了一种自行开发的高阶光声扫描仪，这种扫描仪有 512 个感测器，可以提供高品质的图像。他们透过人工神经网络对这些图片进行分析，进而能够学习高品质图像的特征。
接下来，研究人员拿掉了大多数感测器，只剩下 128 个或 32 个感测器，这对图像品质产生了不利影响。由于缺乏数据，图像中出现了被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，进而使图像品质更接近使用所有 512 个感测器获得的测量结果。
据了解，在光声技术中，图像品质不仅随着所用感测器的数量而提高，而且当从尽可能多的方向捕获资讯时，图像品质也会提高：感测器围绕物体布置的扇区越大，品质越好。研究人员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品质。
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，他们的方法并不局限于光声成像。由于该方法是对重建图像进行处理，而不是对原始记录数据进行处理，因此也适用于其他成像技术。“基本上可以用同样的方法从任何稀疏数据中生成高品质的图像，”Razansky 说。他解释，医生经常面临的挑战是如何解读来自病人的低品质图像。“我们证明，这种图像可以透过人工智能方法得到改善，进而更容易获得更准确的诊断。”
对于 Razansky 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在什么地方。他说：“许多人认为人工智能可以代替人类的智慧。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断层扫描设备，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
与光声学不同，许多成像技术如超音波、X 射线或 MRI，主要适用于可视化的人体解剖变化。为了获得额外的功能资讯，例如关于血流或代谢变化的资讯，患者必须在成像前使用造影剂或放射性示踪剂。
与此相反的是，光声学方法可以在不引入造影剂的情况下可视化功能和分子资讯。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。
由于用于光声成像的光波与其他光波不同，不能完全穿透人体，因此这种方法只适用于研究皮肤下几公分深的组织。
（本文由 雷锋网 授权转载；首图为光声成像的可视化血管图像，来源：苏黎世联邦理工学院）
