發表日期 3/8/2022, 11:16:14 AM
來自華盛頓的報道稱,研究人員最近開發齣一種新的圖像重建方法,可能有助於更好地診斷乳腺癌。這種基於深度學習的重建算法,通過允許圖像實時復原,剋服瞭多模態成像過程中的一個主要難題。
該研究結果於2022年2月24日發錶在Optica齣版集團期刊上。研究者們將這個新的算法命名 Z-Net ,並且描述瞭它是如何在一個結閤瞭光譜信息和平掃(非增強)磁共振(Magnetic Resonance Imaging, MRI)的成像平台上工作,以提高圖像對乳腺癌的篩查能力。
Z-Net深度學習算法對光譜和MRI圖像信息進行實時重建 | 參考文獻[1]
“我們前期開發的 近紅外光譜斷層掃描 (Near Infrared Spectral Tomography,NIRST)和 MRI成像平台 已經顯示齣瞭優秀的前景,但是由於圖像重建時間較長,花費精力較多,很難將其運用到日常的臨床診斷工作中。”領導該團隊的達特茅斯學院Keith Paulsen 教授解釋說,“為瞭解決這些問題,我們設計瞭一種深度學習算法,該算法結閤 MRI 的解剖圖像數據來指導NIRST 圖像的形成,從而不需要對組織中的光傳播進行復雜的建模。”
Paulsen教授和來自北京理工大學以及伯明翰大學的同事們報告顯示, 他們的新算法可以利用MRI引導的 NIRST成像數據區分良惡性的乳腺腫瘤 ,這些數據均來自患者的乳腺檢查。
“在乳腺癌的篩查和診斷中,Z-Net 可以使NIRST成為平掃(非增強) MRI的一個有效附加方法,因為它可以使MRI引導下的NIRST圖像近乎實時復原。”Paulsen教授說,“它也易於被應用於其他癌癥的篩查和有多模態成像數據的疾病診斷。”
深度學習的應用
如今,動態對比增強(Dynamic Contrast-enhanced,DCE))MRI 被認為是最敏感的乳腺癌篩查手段。然而,DCE-MRI檢查需要靜脈注射造影劑,並有相當大的假陽性率。雖然平掃(非增強) MRI引導的NIRST提供瞭一種替代方案,並且不需要注射造影劑,也不存在電離輻射的影響,但是重建圖像需要運用到復雜的光傳播模型以及耗時的 MRI 圖像分析。
為此,研究者們試圖利用深度學習算法加快圖像重建的過程。深度學習是一種機器學習方法,它以類似於人腦運作的方式在信息片段之間建立連接,使研究人員能夠訓練他們的算法來識彆模式和復雜的關係。
“通過Z-Net 算法生成一張新圖像的時間 僅僅需要幾秒鍾 。”該研究的第一作者馮金超教授說,“此外,我們開發的機器學習網絡可以利用計算機模擬産生的數據進行訓練, 不需要從實際的病人檢查中獲取圖像 ,而後者需要很長的時間來收集和處理訓練數據。”
臨床試驗
完成算法訓練之後,研究人員使用的模擬數據證實,在消除漫反射光傳播模型以及不對MRI圖像進行分割的情況下,重建圖像的質量並不會降低。
接下來,研究者們進行瞭一項前瞻性的研究。他們將新算法應用於MRI引導的 NIRST數據,這批數據來自於兩個乳腺成像檢查:一個是由活檢確認的乳腺癌;另一個則是乳腺良性病變。研究結果顯示,新算法生成的圖像可以區分惡性和良性的乳腺癌病例。
利用Z-Net算法進行乳腺癌診斷 | 參考文獻[1]
“我們的方法具有診斷乳腺癌的潛力。”該研究的共同作者、同步開發磁共振成像和光學乳腺成像技術的開發者Shudong Jiang說,“研究結果還錶明,在臨床數據不足或無法用於深度學習算法的訓練時,大量的模擬數據也可以用於研究。”
目前,研究人員正在努力使這種新的圖像重建方法適用於3D數據,並計劃在不久的將來進行更大規模的臨床試驗。
參考文獻
[1] Jinchao Feng, Wanlong Zhang, Zhe Li, Kebin Jia, Shudong Jiang, Hamid Dehghani, Brian W. Pogue, and Keith D. Paulsen, "Deep-learning based image reconstruction for MRI-guided near-infrared spectral tomography," Optica 9, 264-267 (2022)
[2] https://www.eurekalert.org/news-releases/944396
編譯:四七
編輯:酥魚
排版:尹寜流
題圖來源:Flickr, Marco Verch Professional Photographer / CC BY-SA 2.0(https://creativecommons.org/licenses/by/2.0/)
研究團隊
通訊作者 Kelth D Paulsen:達特茅斯學院生物醫學工程教授,達特茅斯蓋塞爾醫學院放射學教授,DHMC 高級成像中心科學主任,諾裏斯康頓(Norris Cotton)癌癥中心癌癥成像和放射生物學研究項目聯閤主任。Keith D Paulsen 教授是生物醫學成像和計算建模領域的知名專傢。他的研究重點是先進成像技術的開發和轉化,主要用於癌癥檢測、診斷、治療監測和手術指導。
第一作者 馮金超:北京工業大學信息部信息與通訊學院教授,博士生導師,副院長。主要研究領域為計算光學成像、微弱信號檢測與智能感知、人工智能和醫學成像等,並積極探索其在生物醫學成像領域中的應用。
論文信息
發布期刊 《光學》Optica
發布時間 2022年2月24日
論文標題 Deep Learning Based Image Reconstruction for MRI Guided Near Infrared Spectral Tomography
(DOI: 10.1364/OPTICA.446576)
如果想瞭解更多産業界和科技創投資訊,
歡迎關注果殼硬科技