美国国立卫生研究院（National Institutes of Health）的研究人员将人工智能（AI）应用于一种技术，该技术可以生成眼细胞的高分辨率图像。他们报告说，使用人工智能，成像速度提高了 100 倍，图像对比度提高了 3.5 倍。他们说，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。
该论文发表在《传播医学》上。
“人工智能有助于克服视网膜成像细胞的一个关键限制，那就是时间，”美国国立卫生研究院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 是大多数眼科诊所的无创、快速、无痛和标准设备。
使用 AO-OCT 对 RPE 细胞进行成像带来了新的挑战，包括一种称为散斑的现象。斑点干扰AO-OCT的方式就像云干扰航空摄影一样。在任何给定时刻，图像的某些部分都可能被遮挡。管理斑点有点类似于管理云量。
研究人员在很长一段时间内反复对细胞进行成像。随着时间的流逝，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，称为并行鉴别器生成状语网络（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获取的人类RPE图像，每张图像都与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成功地消除了RPE图像的斑点，恢复了细胞细节。通过一次图像捕获，它生成的结果与手动方法相当，手动方法需要采集和平均 120 张图像。凭借各种评估细胞形状和结构等的客观性能指标，P-GAN的表现优于其他AI技术。NEI 临床和转化成像部门的博士后研究员 Vineeta Das 博士估计，P-GAN 将成像采集和处理时间缩短了约 100 倍。P-GAN的对比度也更大，比以前高出约3.5倍。
“自适应光学将基于OCT的成像提升到一个新的水平，”Tam说。“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 可以更好地查看细胞，但在捕获 AO-OCT 图像后处理图像所需的时间比没有 AO 的 OCT 要长得多。
Tam的最新研究针对视网膜色素上皮（RPE），这是光敏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。视网膜排列在眼睛的后部，捕捉、处理和转换进入眼睛前部的光，然后通过视神经传输到大脑。科学家们对RPE很感兴趣，因为当RPE分解时，会发生许多视网膜疾病。
通过将人工智能与AO-OCT相结合，Tam认为已经克服了使用AO-OCT进行常规临床成像的主要障碍，特别是对于影响RPE的疾病，这在传统上很难成像。
“我们的研究结果表明，人工智能可以从根本上改变图像的捕获方式，”Tam说。“我们的P-GAN人工智能将使AO成像更容易用于常规临床应用和旨在了解致盲性视网膜疾病的结构、功能和病理生理学的研究。将人工智能视为整个成像系统的一部分，而不是仅在捕获图像后才应用的工具，这是人工智能领域的范式转变。
仅供眼科医学专业人士阅读参考
本篇文章来源于微信公众号: 医工学人
