但是，渲染图像的质量非常依赖于设备使用的传感器的数量和分布：其中更多，图像质量越好。ETH研究人员开发的新方法允许在不放弃所产生的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。
光学声学在一些方面类似于超声成像。在后者中，探针将超声波发送到体内，该主体被组织反射。随后产生探针中的传感器检测返回声波和身体内部的图像。在光声成像中，改用非常短的激光脉冲被送入组织中，在那里它们被吸收并转换成超声波。与超声成像类似，检测波并将波转换成图像。
广告
广告
图像畸变校正
由Daniel Razansky领导的团队，苏黎世大学和Eth苏黎世的生物医学影像教授，搜索了一种提高了具有少量超声波传感器的低成本光声器件的图像质量。
为此，他们开始使用具有512个传感器的自主开发的高端光声扫描仪，该扫描器提供了高质量的图像。他们通过人工神经网络分析了这些照片，该图片能够学习高质量图像的特征。
接下来，研究人员丢弃了大部分传感器，只留下128或32个传感器，这对图像质量造成了不利影响。由于缺乏数据，图像中出现了条纹类型的伪影。然而，结果表明，之前训练的神经网络能够在很大程度上校正这些畸变，从而使图像质量更接近所有512个传感器获得的测量值。
在光学声学中，图像质量不仅增加了所使用的传感器的数量，而且还增加信息，而且当信息捕获到尽可能多的方向时：传感器围绕物体排列的扇区越大，质量越好。发达的机器学习算法也成功地提高了从狭隘的界面录制的图像的质量。“这对于临床应用尤其重要，因为激光脉冲不能穿透整个人体，因此成像区域通常只能从一个方向接近，”根据Razansky。
促进临床决策
科学家强调他们的方法不仅限于光声成像。因为该方法在重建图像上运行，而不是原始记录的数据，它也适用于其他成像技术。“您可以基本上使用相同的方法来生产来自任何稀疏数据的高质量图像，”Razansky说。他解释说，医生往往面临着解释患者质量差的图像的挑战。“我们表明这种图像可以通过AI方法改进，使得更容易获得更准确的诊断。”
对于拉扎斯基，这项研究工作是可以使用现有人工智能方法的一个很好的例子。“许多人认为AI可以取代人类的智慧。这可能夸大了，至少对于目前可用的AI技术，“他说。“它不能取代人类的创造力，但可能会从一些费力，重复的任务中释放我们。”
在他们目前的研究中，科学家们使用了一种为小动物定制的光声断层扫描设备，并用老鼠的图像训练机器学习算法。拉赞斯基说，下一步将是将该方法应用于人类患者的光声图像。
来源：苏黎世联邦理工学院
