A tomografia de coerência óptica (OCT) é um método de imagem não invasivo que pode fornecer informações 3D de amostras biológicas. A primeira geração de sistemas de OCT foi baseada em imagens no domínio do tempo, usando uma configuração de digitalização mecânica. Contudo, a velocidade de aquisição de dados relativamente lenta desses sistemas OCT anteriores no domínio do tempo limitava parcialmente seu uso para imagens de espécimes vivos. A introdução das técnicas de OCT de domínio espectral com maior sensibilidade contribuiu para um aumento dramático na velocidade e qualidade da imagem. OCT agora é amplamente utilizado na medicina diagnóstica, por exemplo, em oftalmologia, para obter de forma não invasiva imagens 3D detalhadas da retina e da estrutura do tecido subjacente.

Em um novo artigo publicado em Light:Ciência e Aplicações , uma equipe de cientistas da UCLA e da University of Houston (UH) desenvolveu um método de reconstrução de imagem de OCT baseado em aprendizado profundo que pode gerar com sucesso imagens 3D de espécimes de tecido usando significativamente menos dados espectrais do que os normalmente necessários. Usando métodos de reconstrução de imagem padrão empregados em OCT, dados espectrais subamostrados, onde algumas das medições espectrais são omitidas, resultaria em graves artefatos espaciais nas imagens reconstruídas, obscurecendo informações 3D e detalhes estruturais da amostra a ser visualizada. Em sua nova abordagem, Os pesquisadores da UCLA e UH treinaram uma rede neural usando aprendizado profundo para reconstruir rapidamente imagens 3D de amostras de tecido com muito menos dados espectrais do que normalmente adquiridos em um sistema de OCT típico, remover com sucesso os artefatos espaciais observados em métodos de reconstrução de imagem padrão.

A eficácia e robustez deste novo método foram demonstradas por imagens de várias amostras de tecido humano e de camundongo usando dados espectrais 3 vezes menos capturados por um sistema de OCT de fonte por varredura de última geração. Executando em unidades de processamento gráfico (GPUs), a rede neural eliminou com sucesso artefatos espaciais graves devido à subamostragem e omissão da maioria dos pontos de dados espectrais em menos de um milésimo de segundo para uma imagem OCT composta por 512 varreduras de profundidade (linhas A).

"Esses resultados destacam o potencial transformador dessa estrutura de reconstrução de imagem de OCT baseada em rede neural, que pode ser facilmente integrado com vários sistemas OCT de domínio espectral, para melhorar sua velocidade de imagem 3D sem sacrificar a resolução ou sinal-ruído das imagens reconstruídas, "disse o Dr. Aydogan Ozcan, o Professor do Chanceler de Engenharia Elétrica e de Computação na UCLA e um diretor associado do California NanoSystems Institute, quem é o autor correspondente sênior da obra.

Esta pesquisa foi liderada pelo Dr. Ozcan, em colaboração com o Dr. Kirill Larin, Professor de Engenharia Biomédica na University of Houston. Os outros autores deste trabalho são Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, e Yair Rivenson. Dr. Ozcan também tem nomeações para professores da UCLA em bioengenharia e cirurgia, e é professor HHMI.