国立卫生研究院的研究人员将人工智能 (AI) 应用于一种能够生成眼睛细胞高分辨率图像的技术。他们报告称，借助 AI，成像速度提高了 100 倍，图像对比度提高了 3.5 倍。他们表示，这一进展将为研究人员提供更好的工具来评估年龄相关性黄斑变性(AMD)和其他视网膜疾病。
“人工智能有助于克服视网膜成像细胞的一个关键限制，即时间，”NIH 国家眼科研究所临床和转化成像部门负责人 Johnny Tam 博士说。
Tam 正在开发一种称为自适应光学 (AO) 的技术，以改进基于光学相干断层扫描 (OCT) 的成像设备。与超声波一样，OCT 是无创、快速、无痛的，是大多数眼科诊所的标准设备。
使用 AO-OCT 对 RPE 细胞进行成像面临着新的挑战，其中包括一种称为散斑的现象。散斑对 AO-OCT 的干扰就像云对航空摄影的干扰一样。在任何给定时刻，图像的某些部分可能会被遮挡。管理散斑有点类似于管理云层。研究人员在很长一段时间内反复对细胞进行成像。随着时间的推移，斑点会发生变化，从而使细胞的不同部分变得可见。然后，科学家们承担了一项费力且耗时的任务，将许多图像拼凑在一起，以创建无斑点的 RPE 细胞图像。
Tam 和他的团队开发了一种基于人工智能的新型方法，称为并行判别器生成状语网络 (P-GAN)，这是一种深度学习算法。通过向 P-GAN 网络提供近 6,000 张手动分析的 AO-OCT 采集的人类 RPE 图像(每张图像都与其相应的斑点原始图像配对)，该团队训练网络识别和恢复斑点模糊的细胞特征。
在新图像上进行测试时，P-GAN 成功去除了 RPE 图像的斑点，恢复了细胞细节。通过一张图像捕获，它生成的结果与手动方法相当，手动方法需要采集 120 张图像并对其求平均值。凭借评估细胞形状和结构等各种客观性能指标，P-GAN 的性能优于其他人工智能技术。 NEI 临床和转化成像部门的博士后 Vineeta Das 博士估计，P-GAN 将成像采集和处理时间减少了约 100 倍。 P-GAN 还产生了更大的对比度，比以前高出约 3.5。
Tam 说：“自适应光学将基于 OCT 的成像提升到了一个新的水平。” “这就像从阳台座位移动到前排座位来对视网膜进行成像一样。借助 AO，我们可以以细胞尺度分辨率揭示 3D 视网膜结构，使我们能够放大疾病的早期迹象。”
虽然将 AO 添加到 OCT 可以提供更好的细胞视图，但在捕获 AO-OCT 图像后对其进行处理要比不使用 AO 的 OCT 花费更长的时间。
Tam 的最新研究目标是视网膜色素上皮 (RPE)，这是感光视网膜后面的一层组织，支持代谢活跃的视网膜神经元，包括光感受器。视网膜位于眼睛后部，捕获、处理进入眼睛前部的光线并将其转换为信号，然后通过视神经传输到大脑。科学家们对 RPE 很感兴趣，因为许多视网膜疾病都是在 RPE 损坏时发生的。
Tam 认为，通过将 AI 与 AO-OCT 相结合，使用 AO-OCT 进行常规临床成像的一个主要障碍已经被克服，特别是对于影响 RPE 的疾病，这种疾病传统上很难成像。
免责声明：本文由用户上传，如有侵权请联系删除！
