人工智能改善生物医学成像

ETH的研究人员利用人工智能来提高一种相对较新的生物医学成像方法所记录的图像的质量。这为更准确的诊断和更经济的设备铺平了道路。

苏黎世联邦理工学院(ETH Zurich)和苏黎世大学(University of Zurich)的科学家使用机器学习方法来改善光声成像。这种相对年轻的医学成像技术可以用于血管的可视化、大脑活动的研究、皮肤病变的表征和乳腺癌的诊断。然而，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:传感器越多，图像质量越好。ETH研究人员开发的新方法允许大量减少传感器的数量，同时又不放弃产生的图像质量。这使得降低设备成本、提高成像速度或改善诊断成为可能。

光声学在某些方面与超声波成像相似。在后者中，探头向体内发射超声波，超声波被组织反射。探测器上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，非常短的激光脉冲被送入组织，在那里它们被吸收并转换成超声波。与超声波成像类似，声波被探测到并转换成图像。

图像失真校正

由苏黎世联邦理工学院(ETH Zurich)和苏黎世大学(University of Zurich)生物医学成像教授丹尼尔•拉赞斯基(Daniel Razansky)领导的研究小组，探索了一种提高低成本光声学设备成像质量的方法，这种设备只有少量超声波传感器。

为了实现这一目标，他们首先使用了一种自行开发的高端光声扫描仪，这种扫描仪有512个传感器，可以提供高质量的图像。他们让人工神经网络分析这些图片，这样就能了解高质量图像的特征。

接下来，研究人员丢弃了大部分传感器，只剩下128或32个传感器，这对图像质量造成了不利影响。由于缺乏数据，图像中出现了被称为条纹型人工制品的扭曲。然而，结果证明，之前训练的神经网络能够在很大程度上纠正这些失真，从而使图像质量更接近所有512个传感器的测量值。

在光声学中，图像质量不仅随着传感器数量的增加而提高，而且当信息从尽可能多的方向被捕获时也会提高:传感器在物体周围布置的区域越大，质量越好。所开发的机器学习算法也成功地提高了图像的质量，这些图像只记录在一个狭窄的有限区域内。“这对临床应用尤其重要，因为激光脉冲不能穿透整个人体，因此成像区域通常只能从一个方向进入，”拉赞斯基说。

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。“你基本上可以用同样的方法从任何稀疏数据中生成高质量的图像，”拉赞斯基说。他解释说，医生经常面临的挑战是如何解读来自病人的低质量图像。“我们证明，这种图像可以通过人工智能方法得到改善，从而更容易获得更准确的诊断。”

对于拉赞斯基来说，这项研究工作是一个很好的例子，说明现有的人工智能方法可以用于什么。“许多人认为人工智能可以取代人类智能。至少就目前可用的人工智能技术而言，这可能有些夸张，”他表示。“它不能取代人类的创造力，但可能会让我们从一些费力、重复的工作中解脱出来。”

在他们目前的研究中，科学家们使用了一种专为小动物定制的光声断层扫描设备，并用老鼠的图像训练机器学习算法。拉赞斯基说，下一步将是把这种方法应用于病人的光声图像。

揭示组织功能

与光声学(也称为光声学)不同，许多成像技术，如超声、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信息，例如关于血流或代谢变化的信息，患者必须在成像前使用造影剂或放射性示踪剂。与此相反，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信息。一个例子是组织氧合的局部变化，这是癌症的一个重要标志，可用于早期诊断。血管内的脂质含量是另一种潜在的疾病标志物，有助于心血管疾病的早期发现。

然而，应该指出的是，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厘米深的组织。