深度学习准备改善乳腺癌成像
研究人员开发了一种新的图像重建方法，可以有助于更好的乳腺癌检测。深度学习算法通过允许实时恢复图像来克服多模式成像的主要障碍。
在Optica期刊，研究人员描述了新的算法，称为Z-NET及其如何与将光谱信息与无对比度磁共振成像（MRI）相结合的成像平台工作，以改善对检测的检测胸部癌症。
“我们开发的近红外光谱断层扫描（NIRST）和MRI成像平台已显示出希望，但涉及的时间和精力影像重建领导达特茅斯学院研究小组的基思·保尔森说：“因此，我们设计了一个深度学习算法其中包含来自MRI的解剖图像数据，以指导NIRST图像形成，而无需对组织中的光传播进行复杂的建模。”
北京技术大学和伯明翰大学的Paulsen及其同事报告说，他们的新算法可以区分恶性和良性肿瘤使用来自患者乳房检查的MRI引导的NIRST成像数据。
Paulsen说：“ Z-NET可以使NIRST成为乳腺癌筛查和诊断的非对比度MRI的有效和有效的附加组件，因为它允许MRI引导的NIRST IRST几乎实时回收。”“它也可以很容易地适用于其他癌症和可提供多模式成像数据的疾病。”
应用深度学习
如今，动态对比增强（DCE）MRI被认为是最敏感的乳腺癌检测方法。但是，DCE MRI需要静脉注射造影剂，并具有很大的假阳性率。尽管非对比度MRI引导的NIRST提供了一种不需要对比度注入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。
研究人员使用了深度学习使图像重建过程更快。深度学习是一种机器学习方法，它以类似于人类大脑操作的方式在信息部分之间建立联系，从而使研究人员能够训练他们的算法识别模式和复杂的关系。
该研究的主要作者Jinchao Feng说：“ Z-NET算法将生成新图像的时间减少到几秒钟。”“此外，我们开发的机器学习网络可以通过计算机模拟生成的数据进行培训，而不是需要实际的患者考试中的图像，这需要很长时间才能收集和处理培训信息。”
临床测试
在训练算法后，研究人员使用模拟数据来确认通过消除弥散的光传播建模或不通过分段MRI图像来降低重建图像的质量。
然后，他们将新算法前瞻性地应用于从两次乳房成像检查中收集的MRI引导的NIRST数据，一种导致活检确认的癌症诊断，另一种导致良性异常。这新算法生成图片这可以证明恶性和良性病例之间的区别。
“除了显示我们的方法的潜力外，结果还表明，当体内数据不足或不可用时训练A深度学习算法，大量的模拟数据可能会起作用。
研究人员正在努力调整新的图像重建方法，以使用3D数据，并计划在不久的将来进行更大的临床试验中对其进行测试。
进一步探索
