Die Verbesserung der molekularen Bildgebung unter Verwendung eines deep-learning-Ansatz: Neue Technik hat das Potenzial zur Verbesserung der Qualität und Schnelligkeit der Bildgebung

Generierung von umfassenden molekularen Bilder von Organen und Tumoren in lebenden Organismen durchgeführt werden können, bei ultra-schnelle Geschwindigkeit mit einem neuen deep-learning-Ansatz zur Bildrekonstruktion entwickelt von Forschern am Rensselaer Polytechnic Institute.

Das research-team die neue Technik hat das Potenzial, erheblich verbessern die Qualität und Geschwindigkeit der Bildgebung in der live-Subjekte und der Fokus war ein Artikel, der kürzlich im Licht: Wissenschaft und Anwendungen, eine Art Tagebuch.

Compressed sensing-based imaging ist eine signal-processing-Technik, kann verwendet werden, um Bilder zu erstellen, basierend auf einer begrenzten Menge von Punkt-Messungen. Vor kurzem, ein Rensselaer-Forschungsteam vorgeschlagen, eine neuartige instrumentelle Ansatz zu nutzen, diese Methodik zu erwerben umfassende molekulare Datensätze, wie berichtet in „Nature Photonics“. Während dieser Ansatz erzeugt mehr komplette Bilder, die Verarbeitung der Daten und bildet ein Bild könnte Stunden dauern.

Diese neueste Methode entwickelt am Rensselaer baut auf den bisherigen Fortschritt und hat das Potenzial zur Erzeugung von Echtzeit-Bildern, während auch die Verbesserung der Qualität und Aussagekraft der erzeugten Bilder. Dies könnte ermöglichen die Entwicklung von personalisierten Medikamenten, die Verbesserung der klinischen Diagnostik, oder die Identifizierung von Gewebe herausgeschnitten werden.

Neben der Bereitstellung eine Allgemeine Momentaufnahme der Gegenstand untersucht wird, einschließlich der Organe oder Tumoren, die Forscher haben visuell gezielt mit Hilfe von florescence, dieses bildgebende Verfahren können zeigen, Informationen über die erfolgreiche intrazelluläre Abgabe von Medikamenten durch Messung der Zerfallsrate der Fluoreszenz.

Zum aktivieren der fast-real-time-Visualisierung von molekularen Ereignissen, die Forschungs-team nutzte die neuesten Entwicklungen in der künstlichen Intelligenz. Die enorm verbesserte Bild-Rekonstruktion wird durch die Verwendung eines deep-learning-Ansatz. Deep learning ist eine komplexe Reihe von algorithmen entwickelt, um zu lehren, einen computer zu erkennen und zu klassifizieren Daten. Speziell, entwickelte dieses team ein convolutional neural network-Architektur, die Rensselaer-Forscher rufen Sie Net-FLICS, die Abkürzung für Fluoreszenz-Lebensdauer-Bildgebung mit compressed sensing.

„Diese Technik ist sehr vielversprechend, eine genauere Diagnose und Behandlung,“ sagte Pingkun Yan, co-Direktor des Biomedical Imaging Center at Rensselaer. „Diese Technik kann helfen, ein Arzt besser zu visualisieren, wo ein tumor ist, und Ihre genaue Größe. Sie können dann exakt abgeschnitten den tumor statt schneiden einen größeren Teil ein und schonen die gesunde, normale Gewebe.“

Yan entwickelt diesen Ansatz mit entsprechenden Autor Xavier Intes, der andere co-Direktor des Biomedical Imaging Center at Rensselaer, die Teil des Rensselaer Zentrum für Biotechnologie und Interdisziplinäre Studien. Doktoranden-Marien-Ochoa und Ruoyang Yao unterstützt die Forschung.

„Am Ende ist das Ziel, diese übersetzen zu einer klinischen Einstellung. Normalerweise, wenn Sie klinische Systeme, die Sie wollen, um so schnell wie möglich“, sagte Ochoa, wie Sie reflektiert die Geschwindigkeit, mit der diese neue Technik erlaubt es den Forschern, diese Bilder zu erfassen.

Die weitere Entwicklung ist erforderlich, bevor diese bahnbrechende neue Technologie verwendet werden kann in einer klinischen Einstellung. Jedoch, wird die Entwicklung wurde beschleunigt durch die Einbindung von simulierten Daten auf der Basis der Modellierung, eine Besondere Spezialität für Intes und seinem Labor.

„Für deep-learning in der Regel müssen Sie eine sehr große Menge von Daten für das training, aber für dieses system, das wir nicht haben, dass Luxus noch, weil es ein sehr neues system,“ sagte Yan.

Er sagte, dass das team die Forschung zeigt auch, dass die Modellierung kann innovativ genutzt werden, in der Bildgebung, genau die Ausweitung des Modells an die experimentellen Daten.