Optica|新的深度学习算法实现快速准确地诊断乳腺癌

将近红外光谱断层扫描 (NIRST) 与无对比剂增强的磁共振成像 (MRI)结合，是一种广泛可用的非侵入性检测和评估乳腺癌的方案。然而，在根据MRI的结果获得 NIRST 后，再重建肿瘤图像需要处理大量内容和话费大量时间，从而阻碍了该技术在日常临床环境中的广泛应用。

为了解决这个问题，中国、美国和英国的研究人员合作开发了一种新的深度学习算法Z-Net，其能够在几秒钟内重建图像（Optica，doi：10.1364/OPTICA.446576）。Z-Net算法可以利用无对比剂增强的磁共振成像（MRI），几乎实时地恢复由MRI构建的NIRST图像，。

乳腺癌是世界上最常见的癌症。通常，在患者确诊后，医生会使用动态对比增强 (DCE) MRI（一种目前最敏感的乳腺癌检测工具）来评估疾病的程度。但此方法需要静脉注射造影剂或电离辐射，并且假阳性率很高。

在 2015 年的一项临床研究中，研究人员Paulsen 等意识到可以同时进行 MRI 和 NIRST 来更准确地诊断乳腺癌。NIRST 可以表征软组织在 600 到 1000 nm 范围内的光学特性，并提供有关组织区域的功能信息。但是，将 MRI 提供的结构信息整合到 NIRST 中需要将磁共振图像分割成有和没有肿瘤的区域，或者对组织内光光传播进行建模。目前的算法既费时又容易出错。

Z-Net 深度学习算法

Z-Net 深度学习算法可以结合近红外光谱和 MRI 数据在几秒钟内重建图像

研究人员开发了新的深度学习算法 Z-Net 来解决上述问题。深度学习是一种在人工神经网络中实现的机器学习形式，其特征是可以模仿大脑的学习过程。一旦经过学习训练后，这些网络就可以在图像分类和重建等各种复杂任务中大放异彩。

作为输入，Z-Net 在 661 和 948 nm 之间划分九个不同波长，并获得不同波长下的 MRI 图像和光学信号。然后，该算法会针对三种物质的生色团成分，包括氧合血红蛋白 (HbO)、脱氧血红蛋白 (Hb) 和水，生成重建图像。

研究人员使用 16 对光源和探测器对均匀分布在直径为 82 毫米的圆的圆周上，并使用模拟数据集训练 Z-Net 之后，该算法可以在几秒钟内重建图像。这种使用模拟数据而不是真实患者数据进行训练的方法也有助于节省时间。

研究人员在训练后将另一组模拟数据输入算法，以确认重建图像的质量达到标准。然后，他们将 Z-Net 应用于从两名样本显示异常的女性试验者上收集的数据。经过两次乳房检查后，重建的图像中的信息能够明显区分两个样本的恶性异常和良性异常。之后活体穿刺的病理检查证实了这个判断。

尽管深度学习之前已用于光学图像重建，在本研究中深度学习是首次应用于组合多模态图像重建。除了可能使 NIRST 成为 MRI 用于乳腺癌筛查和诊断的常规手段之外，Z-Net 还可以很容易地应用于其他具有多模态成像数据的癌症和疾病。目前。研究人员正在努力将 Z-Net 算法应用到更多的患者数据和更大规模的临床研究。