בינה מלאכותית הופכת את הדמיית הרשתית למהירה פי 100, בהשוואה לשיטה הידנית

פרסומת
תכנון תשתיות רפואיות


חוקרים מהמכונים הלאומיים לבריאות יישמו בינה מלאכותית (AI) על טכניקה שמייצרת תמונות ברזולוציה גבוהה של תאים בעין. הם מדווחים שעם AI, ההדמיה מהירה פי 100 ומשפרת את ניגודיות התמונה פי 3.5. ההתקדמות, לדבריהם, תספק לחוקרים כלי טוב יותר להעריך ניוון מקולרי הקשור לגיל (AMD) ומחלות רשתית אחרות.

פרסומת

"בינה מלאכותית עוזרת להתגבר על מגבלה מרכזית של תאי הדמיה ברשתית, כלומר זמן", אמר ג'וני טאם, Ph.D., שעומד בראש מדור הדמיה קלינית ותרגומית במכון העיניים הלאומי של NIH.

Tam מפתחת טכנולוגיה הנקראת אופטיקה אדפטיבית (AO) לשיפור מכשירי הדמיה המבוססים על טומוגרפיה קוהרנטית אופטית (OCT). כמו אולטרסאונד, OCT הוא לא פולשני, מהיר, ללא כאבים וציוד סטנדרטי ברוב מרפאות העיניים.

הדמיה של תאי RPE עם AO-OCT מגיעה עם אתגרים חדשים, כולל תופעה הנקראת speckle. כתמים מפריעים ל-AO-OCT כמו שעננים מפריעים לצילום אווירי. בכל רגע נתון, חלקים מהתמונה עשויים להיות מעורפלים. ניהול כתמים דומה במקצת לניהול כיסוי ענן. חוקרים מצלמים שוב ושוב תאים לאורך תקופה ארוכה. ככל שחולף הזמן, הכתם משתנה, מה שמאפשר לחלקים שונים של התאים להיות גלויים. לאחר מכן, המדענים לוקחים על עצמם את המשימה המאומצת והגוזלת זמן של חיבור תמונות רבות כדי ליצור תמונה של תאי RPE ללא כתמים.

טאם וצוותו פיתחו שיטה חדשה מבוססת בינה מלאכותית בשם Parallel discriminator generative adverbial network (P-GAN) – אלגוריתם למידה עמוקה. על ידי הזנת רשת P-GAN של כמעט 6,000 תמונות שנרכשו באופן ידני של AO-OCT של RPE אנושי, כל אחת מהן עם המקור המנומר התואם שלה, הצוות אימן את הרשת לזהות ולשחזר תכונות סלולריות מעורפלות.

כאשר נבדק על תמונות חדשות, P-GAN הצליח להסיר את הכתמים בתמונות ה-RPE, ושחזר פרטים סלולריים. עם לכידת תמונה אחת, הוא יצר תוצאות דומות לשיטה הידנית, שדרשה רכישה וממוצע של 120 תמונות. עם מגוון מדדי ביצועים אובייקטיביים שמעריכים דברים כמו צורת תא ומבנה, P-GAN גבר על טכניקות AI אחרות. Vineeta Das, Ph.D., פוסט-דוקטורט במדור הדמיה קלינית ותרגומית ב-NEI, מעריך ש-P-GAN הפחית את זמן הרכישה והעיבוד של הדמיה בכפי 100. P-GAN גם הניב ניגודיות גדולה יותר, כ-3.5 יותר מבעבר.

"אופטיקה אדפטיבית לוקחת הדמיה מבוססת OCT לשלב הבא", אמר טאם. "זה כמו לעבור ממושב מרפסת למושב בשורה הראשונה כדי לדמיין את הרשתית. עם AO, אנחנו יכולים לחשוף מבנים תלת מימדיים ברשתית ברזולוציה בקנה מידה תאי, מה שמאפשר לנו להתקרב לסימנים מוקדמים מאוד של מחלה".

בעוד שהוספת AO ל-OCT מספקת תצוגה הרבה יותר טובה של תאים, עיבוד תמונות AO-OCT לאחר שהן נלכדו לוקח הרבה יותר זמן מאשר OCT ללא AO.

עבודתו האחרונה של תם מכוונת לאפיתל הפיגמנט ברשתית (RPE), שכבת רקמה מאחורי הרשתית חושת האור התומכת בתאי העצב הפעילים מבחינה מטבולית, כולל קולטני הפוטו. הרשתית מצפדת את החלק האחורי של העין ולוכדת, מעבדת וממירה את האור שנכנס לקדמת העין לאותות שאותם הוא מעביר דרך עצב הראייה למוח. מדענים מתעניינים ב-RPE מכיוון שמחלות רבות של הרשתית מתרחשות כאשר ה-RPE מתפרק.

על ידי שילוב בינה מלאכותית עם AO-OCT, טאם מאמין שהתגבר על מכשול עיקרי להדמיה קלינית שגרתית באמצעות AO-OCT, במיוחד עבור מחלות המשפיעות על ה-RPE, שבאופן מסורתי היה קשה לדימויה.

"התוצאות שלנו מצביעות על כך שבינה מלאכותית יכולה לשנות מהותית את אופן הצילום של תמונות", אמר טאם. "הבינה המלאכותית P-GAN שלנו תהפוך את הדמיית AO לנגישה יותר עבור יישומים קליניים שגרתיים ולמחקרים שמטרתם להבין את המבנה, התפקוד והפתופיזיולוגיה של מחלות רשתית מעוורות. חשיבה על AI כחלק ממערכת ההדמיה הכוללת, בניגוד למערכת ההדמיה הכוללת. כלי שמיושם רק לאחר שתמונות נלכדו, הוא שינוי פרדיגמה לתחום הבינה המלאכותית".



קישור לכתבת המקור – 2024-04-10 18:27:20

Facebook
Twitter
LinkedIn
Telegram
WhatsApp
Email
פרסומת
MAGNEZIX מגנזיקס

עוד מתחומי האתר