Home Salud Los investigadores aplican el aprendizaje profundo a los sistemas PS-OCT para detectar mejor el cáncer

Los investigadores aplican el aprendizaje profundo a los sistemas PS-OCT para detectar mejor el cáncer

by notiulti

Yi “Edwin” Sun, un Ph.D. candidato en ingeniería eléctrica e informática en la Universidad de Illinois Urbana-Champaign y miembro del Laboratorio de Imágenes Biofotónicas del Instituto Beckman dirigido por Stephen Boppart, exploró cómo los métodos de aprendizaje profundo pueden hacer que la tomografía de coherencia óptica sensible a la polarización, o PS-OCT, sea más costosa. eficaz y mejor equipado para diagnosticar el cáncer en tejidos biológicos.

El artículo, titulado “Tomografía de coherencia óptica sensible a la polarización sintética por aprendizaje profundo”, fue publicado en npj Digital Medicine.

Los sistemas OCT son comunes clínicamente y se utilizan para generar imágenes transversales de alta resolución de regiones del cuerpo humano. Sun y su equipo desarrollaron un método innovador para aplicar software a la herramienta OCT para proporcionar capacidades sensibles a la polarización; sin el costo y la complejidad que acompañan a los sistemas de imágenes PS-OCT basados ​​en hardware.

Estamos intentando reemplazar el hardware asociado con PS-OCT. Sin embargo, [it] aún se encuentra en la etapa de desarrollo e investigación. Al agregar un modelo de aprendizaje profundo sobre un sistema OCT, de repente llegamos a las capacidades de PS-OCT sin el hardware agregado tradicional “.

Yi “Edwin” Sun, Ph.D. candidato en ingeniería eléctrica e informática, Universidad de Illinois Urbana-Champaign

La OCT es una prueba de imagen no invasiva que utiliza ondas de luz para determinar las propiedades de una muestra biológica. Sin embargo, al permitir que la herramienta utilice la sensibilidad de polarización, los científicos pueden detectar información relevante que la OCT no puede capturar por sí sola. Por ejemplo: OCT puede diferenciar el tejido de una manera precisa y cuando las características más grandes son claras; PS-OCT puede detectar anomalías en un nivel más profundo, diferenciando características microestructurales como las orientaciones de las fibras de colágeno que cambian en un área infectada por cáncer en comparación con un área normal.

“Demostramos que la aplicación de nuestro método a otros sistemas puede generar un contraste PS-OCT, y que este modelo se puede utilizar en muchos sistemas OCT para ayudarnos a diferenciar los tejidos cancerosos y otros tipos de tejidos mucho mejor que los sistemas OCT por sí solos”, dijo Sun . “Esta es una gran mejora, lo que hace que este sistema sea mejor para el diagnóstico de cáncer”.

El aprendizaje profundo, un subconjunto del aprendizaje automático, permitió al equipo de Sun crear software que puede emparejarse con los sistemas OCT para ofrecer sensibilidad a la polarización.

“El aprendizaje profundo permitió un método más avanzado de captar características sutiles en imágenes, que se pueden utilizar para una segmentación y clasificación más precisas. También permite que la herramienta de imágenes use múltiples capas para captar características espaciales en una imagen”, dijo Sun.

Al aplicar datos históricos, los métodos de aprendizaje profundo ayudan con diagnósticos precisos e incluso predicciones médicas. El equipo de Sun probó su modelo al predecir cómo se vería una foto de un exuberante bosque de verano en diciembre: estéril, gris, tal vez un poco de hielo y nieve en los árboles. Con este concepto en mente, las imágenes de los sistemas OCT, junto con este enfoque de aprendizaje profundo, pueden incluso predecir las imágenes PS-OCT que habrían venido de los sistemas PS-OCT más complejos y costosos.

Dado que la investigación de Sun y su equipo fue un estudio pionero, pueden pasar algunos años y una gran cantidad de datos para que la PS-OCT sintética alcance las etapas clínicas. Una vez que lo haga, los médicos podrán aplicar este modelo a los sistemas comerciales y tener una mayor capacidad para detectar el cáncer, utilizando las imágenes generadas por PS-OCT para ayudar en el diagnóstico del cáncer.

“El estudio de Edwin realmente destaca el poder y el potencial de la inteligencia artificial y los enfoques de aprendizaje profundo para predecir y generar imágenes PS-OCT sintéticas a partir de imágenes OCT estándar, un tipo de traducción de imagen a imagen. Con el uso cada vez mayor de OCT en los campos médicos, esto El avance probablemente tendrá un impacto amplio y, en última instancia, ayudará a mejorar la detección y el diagnóstico de enfermedades “, dijo Boppart, Ph.D. de Sun. asesor de tesis que es médico y profesor de ingeniería de la UIUC.

Esta investigación fue apoyada en parte por subvenciones del Instituto Nacional del Cáncer y los Institutos Nacionales de Salud.

Fuente:

Referencia de la revista:

Sol, Y., et al. (2021) Tomografía de coherencia óptica sensible a la polarización sintética mediante aprendizaje profundo. npj Medicina digital. doi.org/10.1038/s41746-021-00475-8.

.

You may also like

Leave a Comment

This site uses Akismet to reduce spam. Learn how your comment data is processed.