研究人员开发了一种新的图像重建方法，可以帮助更好地检测乳腺癌。深度学习算法通过允许实时恢复图像，克服了多模态成像的主要障碍。这种被称为Z-Net的新算法与一个将光谱信息与无对比磁共振成像(MRI)相结合的成像平台一起工作，以提高乳腺癌的检测水平。
“我们开发的近红外光谱断层扫描(NIRST)和核磁共振成像平台显示出了希望，但图像重建所涉及的时间和精力阻碍了它转化为日常临床工作流程，”达特茅斯学院研究小组的负责人基思·保尔森说。“因此，我们设计了一种深度学习算法，该算法结合了来自MRI的解剖图像数据来指导NIRST图像的形成，而不需要对光在组织中的传播进行复杂的建模。”
保尔森和来自北京工业大学和伯明翰大学的同事们报告说，他们的新算法可以利用病人乳房检查中磁共振引导的NIRST成像数据来区分恶性肿瘤和良性肿瘤。
“Z-Net可以使NIRST成为乳腺癌筛查和诊断的非对比MRI的有效补充，因为它允许MRI引导的NIRST图像几乎实时恢复，”Paulsen说。“它也可以很容易地用于其他癌症和疾病，这些癌症和疾病可以获得多模态成像数据。”
今天，动态对比增强(DCE) MRI被认为是最敏感的乳腺癌检测方法。然而，DCE MRI需要静脉注射造影剂，并且有很大的假阳性率。尽管非对比MRI引导的NIRST提供了一种不需要注射对比剂或电离辐射的替代方案，但重建组合图像需要复杂的光传播模型以及耗时的MRI图像分析。研究人员使用深度学习来加快图像重建过程。
该研究的主要作者冯金超说:“Z-Net算法将生成新图像所需的时间缩短到几秒钟。”“此外，我们开发的机器学习网络可以用计算机模拟生成的数据进行训练，而不需要实际患者检查的图像，后者需要很长时间才能收集和处理成训练信息。”
在对算法进行训练后，研究人员使用模拟数据证实，通过消除漫射光传播建模或不分割MRI图像，重构图像的质量没有下降。然后，他们前瞻性地将新算法应用于mri引导下的NIRST数据，这些数据是从两次乳房成像检查中收集的，其中一次导致活检证实的癌症诊断，另一次导致良性异常。新算法生成的图像可以区分恶性和良性病例。
“除了展示我们的方法的潜力，结果还表明，当在活的有机体内研究报告的合著者、同时开发核磁共振成像和光学乳房成像技术的先驱蒋树东说:“如果数据不足或无法用于训练深度学习算法，那么大量的模拟数据可能会起作用。”
研究人员正在努力使这种新的图像重建方法适用于3D数据，并计划在不久的将来在更大规模的临床试验中进行测试。
