在光聲領(lǐng)域，圖片質(zhì)量取決于設(shè)備傳感器的數(shù)量和分布，傳感器越多，布置的范圍越廣，圖片的質(zhì)量就越高。

為了讓成本降低，使用少量超聲波傳感器就能提高低成本光聲設(shè)備中的圖像質(zhì)量，蘇黎世聯(lián)邦理工學院和蘇黎世大學的研究人員就將目光轉(zhuǎn)向了機器學習。他們開發(fā)了一個框架，可以利用深度卷積神經(jīng)網(wǎng)絡(luò)從稀疏的光聲數(shù)據(jù)中有效恢復(fù)圖像質(zhì)量，同時他們展示了他們進行小鼠體內(nèi)全身成像的方法。

為了生成準確的高分辨率參考圖像來訓練神經(jīng)網(wǎng)絡(luò)，該團隊首先開發(fā)了具有512個傳感器的高端光聲掃描儀，然后利用人工神經(jīng)網(wǎng)絡(luò)分析并了解該設(shè)備生成的高質(zhì)量圖像的特征。接著，研究人員從設(shè)備中移除大多數(shù)傳感器，從而使其成像質(zhì)量下降。 由于數(shù)據(jù)不足，圖像中出現(xiàn)了條紋型偽像。但是，之前訓練有素的神經(jīng)網(wǎng)絡(luò)能夠糾正大多數(shù)此類失真，使圖像質(zhì)量接近設(shè)備具有全部512個傳感器時獲得的測量結(jié)果。此外，該團隊開發(fā)的機器學習算法能夠提高在狹窄范圍內(nèi)記錄的圖像的質(zhì)量。Daniel Razansky教授說：“這對于臨床應(yīng)用尤為重要，因為激光脈沖無法穿透整個人體，因此成像區(qū)域通常只能從一個方向進入�！� 而在使用合成或幻像數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓練時，收效甚微，這表明了使用全視圖掃描儀獲取的高質(zhì)量體內(nèi)圖像進行訓練的重要性。

研究小組表示，該方法可以應(yīng)用于其他成像技術(shù)，因為該方法基于重建的圖像，而不是原始記錄的數(shù)據(jù)。“您基本上可以使用相同的方法從任何種類的稀疏數(shù)據(jù)中生成高質(zhì)量圖像，” Razansky說。醫(yī)師通常面臨著解釋低質(zhì)量圖像的挑戰(zhàn)。他說：“我們證明，使用AI方法可以改善此類圖像，使其更容易獲得更準確的診斷。”

通過減輕常見的圖像偽影，增強解剖對比度和圖像量化能力以及加速數(shù)據(jù)采集和圖像重建，該新方法可以使許多光聲成像應(yīng)用受益。它還可以促進實用和實惠的光聲成像系統(tǒng)的開發(fā)。

對于他們目前的研究，科學家使用了為小動物定制的光聲層析成像設(shè)備，并用小鼠的圖像訓練了機器學習算法。他們的下一步是將他們的方法應(yīng)用于人類患者的光聲圖像。