科学家开发出了一种新的图像重建的方法,可能导致更好的乳腺癌检测。深入学习算法克服了多模成像的一个主要障碍是允许实时图像中恢复。新算法,称为Z-Net,与一个成像平台,结合光学光谱信息与contrast-free磁共振成像(MRI)来提高乳腺癌的检测。
“近红外光谱断层扫描(NIRST)和核磁共振成像平台我们开发展示了承诺,但时间和精力参与图像重建已阻止它翻译成日常临床工作流程”,基斯Paulsen说,他领导的研究小组从达特茅斯学院。“因此,我们设计了一个深度学习算法,包含从MRI解剖图像数据来指导NIRST成像,不需要复杂的造型光传播的组织。”
鲍尔森和他的同事们从北京科技大学和伯明翰大学的报告说,他们的新算法可以使用mri引导下区分恶性和良性肿瘤NIRST成像数据从患者乳房检查。
“Z-Net可以允许NIRST成为一个有效的和有效的附加non-contrast MRI对乳腺癌筛查和诊断,因为它允许MRI引导下NIRST图片恢复近实时”,Paulsen说。”它也可以很容易适用于其他癌症和疾病的多模成像数据是可用的。”
今天,动态对比度增强(DCE) MRI recognsed乳腺癌最敏感的检测方法。然而,DCE MRI需要静脉注射对比剂和有大量的假阳性率。尽管non-contrast MRI引导下NIRST提供了另一种不需要对比注射或电离辐射,重建图像需要复杂的光传播模式相结合以及耗时的MRI图像分析。研究人员使用深度学习的图像重建过程更快。
“Z-Net算法减少了生成一个新的图像所需的时间几秒钟”,今朝冯说,该研究的主要作者。“此外,机器学习网络可以训练我们开发需要图像由计算机模拟生成的数据,而不是从实际病人考试,这需要很长时间才能收集和处理训练信息。”
训练算法后,研究人员使用模拟数据确认重建图像的质量没有下降通过消除漫射光传播模型或不分段的MRI图像。然后应用新算法前瞻性mri引导下NIRST收集的数据来自两个乳房成像检查导致活检确诊癌症诊断,另一个导致良性的异常。新算法生成的图像可以区分恶性和良性病例。
“除了显示我们的方法的潜力,结果还表明,当在活的有机体内培训数据不足或不可用深学习算法,大量的仿真数据可能工作”,江Shudong说,该研究的共同作者和先锋在发展中同时乳房核磁共振成像和光学成像技术。
研究人员正在努力适应新的图像重建方法与三维数据和计划在一个更大的临床试验测试它在不久的将来。
