人工智能改善生物医学成像

ETH研究人员使用人工智能来提高通过相对较新的生物医学成像方法记录的图像的质量。这为更准确的诊断和具有成本效益的设备铺平了道路。

苏黎世联邦理工学院和苏黎世大学的科学家已经使用机器学习方法来改善光声成像。这种相对较年轻的医学成像技术可用于诸如可视化血管，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：传感器的数量越多，图像质量就越好。ETH研究人员开发的新方法可以在不放弃最终图像质量的情况下大幅减少传感器的数量。这使得可以降低设备成本，提高成像速度或改善诊断。

光声学(见方框)在某些方面与超声成像相似。在后者中，探针将超声波发送到体内，并被组织反射。探头中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，取而代之的是将非常短的激光脉冲发送到组织中，然后被吸收并转换成超声波。类似于超声成像，波被检测并转换为图像。

校正图像失真

苏黎世联邦理工学院生物医学影像学教授丹尼尔·拉赞斯基(Daniel Razansky)和苏黎世大学(University of Zurich)领导的研究小组正在寻找一种方法来提高仅具有少量超声波传感器的低成本光声设备的图像质量。

为此，他们开始使用具有512个传感器的自行开发的高端光声扫描仪，该扫描仪可提供高质量的图像。他们通过人工神经网络对这些图片进行了分析，从而能够了解高质量图像的特征。

接下来，研究人员丢弃了大多数传感器，因此只剩下128或32个传感器，这对图像质量产生了不利影响。由于缺乏数据，图像中出现了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，从而使图像质量更接近使用所有512个传感器获得的测量结果。