人工智能提高了光声成像的质量和可用性

在光声领域，图像质量取决于设备使用的传感器的数量和分布。传感器越多，布置的范围越广，质量越好。为了仅使用少量超声波传感器来提高低成本光声设备中的图像质量，苏黎世联邦理工学院和苏黎世大学的研究人员将目光转向了机器学习。他们开发了一个框架，可以使用深度卷积神经网络从稀疏的光声数据中有效恢复图像质量，并展示了他们在小鼠体内进行全身成像的方法。

为了生成准确的高分辨率参考图像进行训练，该团队首先开发了具有512个传感器的高端光声扫描仪。人工神经网络分析并了解了该设备生成的高质量图像的特征。然后，研究人员从设备中删除了大多数传感器，从而导致其成像质量下降。由于数据不足，图像中出现了条纹型伪像。但是，之前训练有素的神经网络能够纠正大多数此类失真，使图像质量接近设备具有全部512个传感器时获得的测量结果。此外，该团队开发的机器学习算法能够提高在狭窄范围内记录的图像质量。 Daniel Razansky教授说：“这对于临床应用尤为重要，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。”使用合成或幻像数据进行训练时，没有获得可观的收益，这表明使用全视图扫描仪获取的高质量体内图像进行训练的重要性。

研究小组表示，该方法可以应用于其他成像技术，因为该方法是基于重建的图像，而不是原始记录的数据。“您基本上可以使用相同的方法从任何种类的稀疏数据中生成高质量图像，” Razansky说。医师通常面临着解释低质量图像的挑战。他说：“我们证明，使用AI方法可以改善此类图像，使其更容易获得更准确的诊断。”通过减轻常见的图像伪影，增强解剖对比度和图像量化能力以及加速数据采集和图像重建，该新方法可以使许多光声成像应用受益。它还可以促进实用、负担得起的光声成像系统开发。对于他们目前的研究，科学家使用了为小动物定制的光声层析成像设备，并用小鼠的图像训练了机器学习算法。他们的下一步是将他们的方法应用于人类患者的光声图像。

光声成像对于可视化血管特别有用。 由苏黎世联邦理工学院/丹尼尔•拉赞斯基（Daniel Razansky）提供。

关于光声

光声类似于超声成像。在超声成像中，探头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，非常短的激光脉冲被发送到组织中，在那里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。许多成像技术（例如超声，X射线或MRI）主要适用于可视化人体的解剖结构变化。要接收其他功能信息（例如有关血流或代谢变化的信息），必须在成像之前为患者提供造影剂或放射性示踪剂。 相反，光声方法可以可视化功能和分子信息，而无需引入造影剂。一个例子是组织氧合的局部变化，这是癌症的重要标志，可用于早期诊断。但是，由于光声成像中使用的光波无法完全穿透人体，因此该方法仅适用于研究皮肤下几厘米深的组织。