美国国立卫生研究院的研究人员将人工智能 (AI) 应用于一种能够生成眼睛细胞高分辨率图像的技术。 他们报告称,借助 AI,成像速度提高了 100 倍,图像对比度提高了 3.5 倍。 他们表示,这一进展将为研究人员提供更好的工具来评估年龄相关性黄斑变性(AMD)和其他视网膜疾病。
“人工智能有助于克服视网膜成像细胞的一个关键限制,即时间,”美国国立卫生研究院国家眼科研究所临床和转化成像部门负责人 Johnny Tam 博士说。
Tam 正在开发一种称为自适应光学 (AO) 的技术,以改进基于光学相干断层扫描 (OCT) 的成像设备。 与超声波一样,OCT 是无创、快速、无痛的,是大多数眼科诊所的标准设备。
使用 AO-OCT 对 RPE 细胞进行成像面临着新的挑战,其中包括一种称为散斑的现象。 散斑对 AO-OCT 的干扰就像云对航空摄影的干扰一样。 在任何给定时刻,图像的某些部分可能会被遮挡。 管理散斑有点类似于管理云层。 研究人员在很长一段时间内反复对细胞进行成像。 随着时间的推移,斑点会发生变化,从而使细胞的不同部分变得可见。 然后,科学家们承担了将许多图像拼凑在一起的费力且耗时的任务,以创建无斑点的 RPE 细胞图像。
Tam 和他的团队开发了一种基于人工智能的新型方法,称为并行判别器生成状语网络 (P-GAN),这是一种深度学习算法。 通过向 P-GAN 网络提供近 6,000 张手动分析的 AO-OCT 采集的人类 RPE 图像(每张图像都与其相应的斑点原始图像配对),该团队训练网络识别和恢复斑点模糊的细胞特征。
在新图像上进行测试时,P-GAN 成功去除了 RPE 图像的斑点,恢复了细胞细节。 通过一张图像捕获,它生成的结果与手动方法相当,手动方法需要采集 120 张图像并对其求平均值。 凭借评估细胞形状和结构等各种客观性能指标,P-GAN 的性能优于其他人工智能技术。 NEI 临床和转化成像部门的博士后 Vineeta Das 博士估计,P-GAN 将图像采集和处理时间减少了约 100 倍。 P-GAN 还产生了更大的对比度,比以前高出约 3.5。
Tam 说:“自适应光学将基于 OCT 的成像提升到了一个新的水平。” “这就像从阳台座位移动到前排座位来对视网膜进行成像一样。借助 AO,我们可以以细胞级分辨率显示 3D 视网膜结构,使我们能够放大疾病的早期迹象。”
虽然将 AO 添加到 OCT 可以提供更好的细胞视图,但在捕获 AO-OCT 图像后对其进行处理比不使用 AO 的 OCT 需要更长的时间。
Tam 的最新研究目标是视网膜色素上皮 (RPE),这是感光视网膜后面的一层组织,支持代谢活跃的视网膜神经元,包括光感受器。 视网膜位于眼睛后部,捕获、处理进入眼睛前部的光线并将其转换为信号,然后通过视神经传输到大脑。 科学家们对 RPE 很感兴趣,因为许多视网膜疾病都是在 RPE 损坏时发生的。
Tam 认为,通过将 AI 与 AO-OCT 相结合,使用 AO-OCT 进行常规临床成像的一个主要障碍已经被克服,特别是对于影响 RPE 的疾病,这种疾病传统上很难成像。
“我们的结果表明人工智能可以从根本上改变图像的捕获方式,”谭说。 “我们的 P-GAN 人工智能将使 AO 成像更容易用于常规临床应用以及旨在了解致盲性视网膜疾病的结构、功能和病理生理学的研究。将人工智能视为整个成像系统的一部分,而不是一种仅在捕获图像后才应用的工具,是人工智能领域的范式转变。”
资讯来源:由a0资讯编译自THECOINREPUBLIC。版权归作者A0资讯所有,未经许可,不得转载