A geração de imagens moleculares abrangentes de órgãos e tumores em organismos vivos pode ser realizada em velocidade ultra-rápida usando uma nova abordagem de aprendizado profundo para reconstrução de imagens desenvolvida por pesquisadores do Rensselaer Polytechnic Institute.

A nova técnica da equipe de pesquisa tem o potencial de melhorar muito a qualidade e a velocidade da imagem em sujeitos vivos e foi o foco de um artigo publicado recentemente em Luz:Ciência e Aplicações , um jornal da Nature.

A imagem baseada em detecção compactada é uma técnica de processamento de sinal que pode ser usada para criar imagens com base em um conjunto limitado de medições pontuais. Recentemente, uma equipe de pesquisa Rensselaer propôs uma nova abordagem instrumental para alavancar esta metodologia para adquirir conjuntos de dados moleculares abrangentes, como relatado em Nature Photonics . Embora essa abordagem tenha produzido imagens mais completas, processar os dados e formar uma imagem pode levar horas.

Esta metodologia mais recente desenvolvida na Rensselaer se baseia no avanço anterior e tem o potencial de produzir imagens em tempo real, ao mesmo tempo em que melhora a qualidade e a utilidade das imagens produzidas. Isso poderia facilitar o desenvolvimento de medicamentos personalizados, melhorar o diagnóstico clínico, ou identificar o tecido a ser excisado.

Além de fornecer um instantâneo geral do assunto que está sendo examinado, incluindo os órgãos ou tumores que os pesquisadores visualmente visam com a ajuda do florescimento, este processo de imagem pode revelar informações sobre o sucesso da entrega intracelular de drogas medindo a taxa de decaimento da fluorescência.

Para permitir a visualização quase em tempo real de eventos moleculares, a equipe de pesquisa alavancou os mais recentes desenvolvimentos em inteligência artificial. A reconstrução de imagem amplamente aprimorada é realizada usando uma abordagem de aprendizado profundo. O aprendizado profundo é um conjunto complexo de algoritmos projetados para ensinar um computador a reconhecer e classificar dados. Especificamente, esta equipe desenvolveu uma arquitetura de rede neural convolucional que os pesquisadores de Rensselaer chamam de Net-FLICS, que significa imagem de tempo de vida de fluorescência com detecção compactada.

“Esta técnica é muito promissora para obter um diagnóstico e tratamento mais precisos, "disse Pingkun Yan, co-diretor do Biomedical Imaging Center da Rensselaer. "Essa tecnologia pode ajudar um médico a visualizar melhor onde está um tumor e seu tamanho exato. Eles podem, então, cortar o tumor com precisão, em vez de cortar uma parte maior e poupar o saudável, tecido normal. "

Yan desenvolveu esta abordagem com o autor correspondente Xavier Intes, o outro codiretor do Biomedical Imaging Center em Rensselaer, que faz parte do Centro Rensselaer de Biotecnologia e Estudos Interdisciplinares. Os alunos de doutorado Marien Ochoa e Ruoyang Yao apoiaram a pesquisa.

"No fim, o objetivo é traduzi-los para um ambiente clínico. Normalmente, quando você tem sistemas clínicos, quer ser o mais rápido possível, "disse Ochoa, enquanto ela refletia sobre a velocidade com que essa nova técnica permite que os pesquisadores capturem essas imagens.

É necessário um maior desenvolvimento antes que esta tecnologia inovadora possa ser usada em um ambiente clínico. Contudo, seu progresso foi acelerado pela incorporação de dados simulados com base em modelagem, uma especialidade particular para Intes e seu laboratório.

"Para o aprendizado profundo, geralmente você precisa de uma grande quantidade de dados para o treinamento, mas para este sistema não temos esse luxo ainda porque é um sistema muito novo, "disse Yan.

Ele disse que a pesquisa da equipe também mostra que a modelagem pode ser usada de forma inovadora em imagens, estendendo com precisão o modelo aos dados experimentais reais.