Os pesquisadores da ETH usam inteligência artificial para melhorar a qualidade das imagens registradas por um método de imagem biomédico relativamente novo. Isso abre caminho para diagnósticos mais precisos e dispositivos econômicos.

Cientistas da ETH Zurich e da University of Zurich usaram métodos de aprendizado de máquina para melhorar a imagem optoacústica. Esta técnica de imagem médica relativamente nova pode ser usada para aplicações como visualização de vasos sanguíneos, estudando a atividade cerebral, caracterizar lesões de pele e diagnosticar câncer de mama. Contudo, a qualidade das imagens renderizadas é muito dependente do número e distribuição de sensores usados ​​pelo dispositivo:quanto mais deles, melhor será a qualidade da imagem. A nova abordagem desenvolvida pelos pesquisadores da ETH permite a redução substancial do número de sensores sem abrir mão da qualidade da imagem resultante. Isso torna possível reduzir o custo do dispositivo, aumentar a velocidade da imagem ou melhorar o diagnóstico.

A optoacústica (consulte o quadro) é semelhante em alguns aspectos à imagem de ultrassom. No ultimo, uma sonda envia ondas ultrassônicas para o corpo, que são refletidos pelo tecido. Os sensores da sonda detectam o retorno das ondas sonoras e, em seguida, é gerada uma imagem do interior do corpo. Na imagem optoacústica, pulsos de laser muito curtos são enviados para o tecido, onde são absorvidos e convertidos em ondas ultrassônicas. Da mesma forma que a imagem de ultrassom, as ondas são detectadas e convertidas em imagens.

Correção de distorções de imagem

A equipe liderada por Daniel Razansky, Professor de Imagem Biomédica na ETH Zurich e na Universidade de Zurique, procurou uma maneira de melhorar a qualidade de imagem de dispositivos optoacústicos de baixo custo que possuem apenas um pequeno número de sensores ultrassônicos.

Para fazer isso, eles começaram usando um scanner optoacústico auto-desenvolvido de última geração com 512 sensores, que entregou imagens de qualidade superior. Eles tiveram essas imagens analisadas por uma rede neural artificial, que foi capaz de aprender as características das imagens de alta qualidade.

Próximo, os pesquisadores descartaram a maioria dos sensores, de modo que apenas 128 ou 32 sensores permaneceram, com um efeito prejudicial na qualidade da imagem. Devido à falta de dados, distorções conhecidas como artefatos do tipo listra apareceram nas imagens. Descobriu-se, Contudo, que a rede neural previamente treinada foi capaz de corrigir amplamente essas distorções, aproximando assim a qualidade da imagem das medidas obtidas com todos os 512 sensores.

Em optoacústica, a qualidade da imagem aumenta não apenas com o número de sensores usados, mas também quando a informação é capturada de tantas direções quanto possível:quanto maior o setor em que os sensores estão dispostos em torno do objeto, melhor será a qualidade. O algoritmo de aprendizado de máquina desenvolvido também foi bem-sucedido em melhorar a qualidade das imagens que foram gravadas em apenas um setor estreitamente circunscrito. "Isso é particularmente importante para aplicações clínicas, como os pulsos de laser não podem penetrar em todo o corpo humano, portanto, a região com imagem é normalmente acessível apenas de uma direção, "de acordo com Razansky.

Facilitando a tomada de decisão clínica

Os cientistas enfatizam que sua abordagem não se limita à imagem optoacústica. Como o método opera nas imagens reconstruídas, não os dados brutos registrados, também é aplicável a outras técnicas de imagem. "Você pode usar basicamente a mesma metodologia para produzir imagens de alta qualidade a partir de qualquer tipo de dados esparsos, "Razansky diz. Ele explica que os médicos muitas vezes são confrontados com o desafio de interpretar imagens de baixa qualidade de pacientes." Mostramos que essas imagens podem ser melhoradas com métodos de IA, tornando mais fácil obter um diagnóstico mais preciso. "

Para Razansky, este trabalho de pesquisa é um bom exemplo de como os métodos existentes de inteligência artificial podem ser usados. "Muitas pessoas pensam que a IA poderia substituir a inteligência humana. Isso provavelmente é exagerado, pelo menos para a tecnologia de IA atualmente disponível, "diz ele." Não pode substituir a criatividade humana, ainda pode nos libertar de alguns trabalhosos, tarefas repetitivas."

Em sua pesquisa atual, os cientistas usaram um dispositivo de tomografia optoacústica personalizado para pequenos animais, e treinou os algoritmos de aprendizado de máquina com imagens de ratos. A próxima etapa será aplicar o método a imagens optoacústicas de pacientes humanos, Razansky diz.

Revelando a função do tecido

Ao contrário da optoacústica (também conhecida como fotoacústica), muitas técnicas de imagem, como ultrassom, Raio-x ou ressonância magnética, são principalmente adequados para visualizar alterações anatômicas no corpo. Para receber informações funcionais adicionais, por exemplo, em relação ao fluxo sanguíneo ou alterações metabólicas, o paciente deve receber agentes de contraste ou marcadores radioativos antes da imagem. Em contraste, o método optoacústico pode visualizar informações funcionais e moleculares sem a introdução de agentes de contraste. Um exemplo são as mudanças locais na oxigenação dos tecidos - um marco importante do câncer que pode ser usado para o diagnóstico precoce. O conteúdo de lipídios nos vasos sanguíneos é outro marcador potencial de doença, que pode auxiliar na detecção precoce de doenças cardiovasculares.

Deve-se notar, Contudo, isso porque as ondas de luz usadas em imagens optoacústicas, ao contrário de outras ondas, não penetre totalmente no corpo humano, o método só é adequado para investigar tecidos a uma profundidade de alguns centímetros abaixo da pele.