{{cartLength}}
{{cartLength}}
ثبت آگهی
تصویربرداری پزشکی / 09 مهر 1398

استفاده از روش‌های یادگیری ماشین برای بهبود تصویربرداری پزشکی

استفاده از روش‌های یادگیری ماشین برای بهبود تصویربرداری پزشکی

محققان در ETH زوریخ و دانشگاه زوریخ از روش‌های یادگیری ماشین برای بهبود تصویربرداری  نور پژواکی استفاده کرده‌اند. این روش عکس‌برداری نسبتاً جدید می‌تواند برای کاربردهایی مانند تجسم رگ‌های خونی، مطالعه فعالیت مغز، شناسایی ضایعات پوستی و تشخیص سرطان سینه مورداستفاده قرار گیرد. بااین‌حال، کیفیت عکس‌های ارائه‌شده به‌شدت به تعداد و توزیع حس‌گرهای مورداستفاده دستگاه بستگی دارد؛ هرِچه تعداد حس‌گرهای بیشتر باشد، کیفیت عکس‌ها بهتر است. در این رویکرد جدید محققان ETH با کاهش چشم‌گیر تعداد حس‌گرها توانستند عکس‌های باکیفیتی بگیرند. این امر باعث کاهش هزینه دستگاه، افزایش سرعت عکس‌برداری و بهبود تشخیص می‌شود.

 عکس‌برداری نور پژواکی از برخی جنبه‌ها مشابه سونوگرافی است. در سونوگرافی، یک ردیاب امواج مافوق صوت را داخل بدن می‌فرستند که سپس توسط بافت بدن انسان برگردانده می‌شوند. حس‌گرهای موجود در ردیاب، امواج صوتی برگشتی را تشخیص داده و متعاقباً تصویری از درون بدن انسان تولید می‌شود. در عکس‌برداری نور پژواکی، پالس‌های لیزری بسیار کوتاه به درون بافت ارسال می‌شود. این پالس‌ها وسط بافت جذب‌شده و به امواج مافوق صوت تبدیل می‌شوند. مشابه سونوگرافی، موج‌های تشخیص داده‌شده و به عکس تبدیل می‌شوند.

تصحیح اعوجاج عکس

این گروه به سرپرستی دنیل رازانسکی، استاد دانشگاه زوریخ، به دنبال راهی بودند تا با استفاده از دستگاه‌های نور پژواکی ارزان که حس‌گرهای مافوق صوت کمی دارند، ارتقاء عکس را افزایش دهند.

برای انجام این کار، آن‌ها ا یک اسکنر نور پژواکی پیشرفته با 512 حس‌گر شروع کردند که عکس‌های فوق‌العاده باکیفیتی می‌گرفت. سپس این تصاویر را با شبکه عصبی مصنوعی آنالیز کردند. به دنبال این کار، گروه توانست ویژگی‌های عکس‌های کیفیت بالا را بیاموزد.

در مرحله بعدی، محققان تعداد حس‌گرها را کم کردند به‌طوری‌که 128 یا 32 حس‌گر باقی ماند که تأثیر بدی روی کیفیت عکس‌ها داشت. به دلیل کمبود اطلاعات، اعوجاجاتی روی عکس‌ها ظاهر شد. بااین‌حال معلوم شد که شبکه عصبی مصنوعی ایجادشده می‌تواند تغییر شکل عکس‌ها را تصحیح کند، بنابراین کیفیت عکس‌ها به کفیت عکس‌های گرفته‌شده با 512 حس‌گر نزدیک شد.

در نور پژواکی، نه‌تنها کیفیت عکس با تعداد حس‌گرها مورداستفاده افزایش می‌یابد، بله همچنین گرفتن داده‌ها ازهرجهتی ممکن می‌شود؛ هرچه بخش تحت عکاسی که حس‌گرها در اطراف آن هستند بزرگ‌تر باشد، کیفیت عکس بهتر است. الگوریتم یادگیری ماشین توسعه‌یافته در بهبود کیفیت عکس‌ها نیز موفق بود.

دنیل رازانسکی می‌گوید: "این امر به‌ویژه برای کاربردهای بالینی مهم است، زیرا پالس‌های لیزر نمی‌توانند به بدن انسان نفوذ کنند، ازاین‌رو ناحیه تحت تصویربرداری  معمولاً فقط از یک‌جهت قابل‌دسترسی است."

تسهیل تصمیم‌گیری بالینی

محققان این پروژه تأکید دارند که این رویکرد تنها به تصویربرداری  نور پژواکی محدود نمی‌شود. چون این روش بر روی تصاویر بازسازی‌شده کار می‌کند، نه‌تنها برای داده‌های ضبط‌شده خام بلکه برای دیگر روش‌های عکس‌برداری نیز کاربرد دارد. می‌توان عکس‌های مشابه را با روش‌های هوش مصنوعی (AI) ارتقا داد و تشخیص دقیق‌تر را آسان‌تر کرد.

در این مطالعه محققان از یک دستگاه تومور گرافی نور پژواکی مخصوص حیوانات کوچک استفاده کردند و الگوریتم‌های یادگیری ماشین را با تصاویری از موش‌ها پرورش دادند. قدم بعدی، استفاده از این ‌روش برای عکس‌های نور پژواکی گرفته‌شده از انسان‌ها خواهد بود.

کشف عملکرد بافت

برخلاف عکس‌برداری نور پژواکی، بسیاری از روش‌های عکس‌برداری نظیر اشعه ایکس و MRI، عمدتاً برای تجسم تغییرات آناتومیکی بدن مناسب هستند. برای دریافت اطلاعات عملکردی اضافی، برای مثال درباره جریان خون یا تغییرات متابولیکی، بیمار باید قبل از عکس‌برداری، داروهای کنتراست یا ردیاب رادیواکتیو تزریق کند. در مقابل، روش نور پژواکی می‌تواند اطلاعات عملکردی و مولکولی را بدون مصرف عوامل کنتراست تجسم کند. یک مثال آن تغییرات موضعی در اکسیژن‌رسانی به بافت است – نقطه عطف مهم سرطان که می‌توان از آن برای تشخیص زودهنگام استفاده کرد. وجود چربی در رگ‌های خونی نشانگر بالقوه دیگر بیماری است که می‌تواند به تشخیص زودهنگام بیماری قلبی عروقی کمک کند.

بااین‌حال، لازم به ذکر است که چون امواج نوری مورداستفاده در تصویربرداری  نور پژواکی، برخلاف دیگر امواج، کاملاً به بدن انسان نفوذ نمی‌کنند، این روش تنها برای بررسی بافت‌هایی مناسب است که در عمق چند سانتی‌متری زیر پوست هستند.

منبع: ETH زوریخ

لینک آگهی های پین پست

اشتراک گذاری :