الگوریتم جدید مبتنی بر هوش مصنوعی سریعتر و دقیق تر از تکنیک های معمولی داده های اکسیژن بافت را پردازش می کند – ScienceDaily

[ad_1]

اکسیژن رسانی بافت اندازه گیری سطح اکسیژن در بافت بیولوژیکی است و یک نشانگر زیستی بالینی مفید برای زنده ماندن بافت است. سطح غیر طبیعی می تواند وجود شرایطی مانند سپسیس ، دیابت ، عفونت ویروسی یا بیماری ریوی را نشان دهد و نظارت موثر برای مدیریت جراحی و همچنین مراقبت های پزشکی مهم است.

چندین روش برای اندازه گیری اکسیژن رسانی بافت وجود دارد ، اما همه آنها محدودیت هایی دارند. به عنوان مثال ، پالس اکسی متری پایدار و ارزان است ، اما نمی تواند اندازه گیری موضعی اکسیژن را ارائه دهد. از طرف دیگر ، طیف سنجی مادون قرمز ، به دلیل داشتن پروب های تماسی حساس به فشار ، مستعد اندازه گیری های پر سر و صدا است. تصویربرداری از دامنه فرکانس فضایی (SFDI) به عنوان یک روش غیر تماسی امیدوار کننده ظاهر شده است که غلظت اکسیژن بافت را در یک میدان دید گسترده ترسیم می کند. اگرچه پیاده سازی آن آسان است ، SFDI محدودیت های خاص خود را دارد: برای دقیق جلوه دادن آن به دنباله ای از چندین عکس نیاز دارد و هنگام کار با عکسهای فوری مستعد خطا است.

در یک مطالعه جدید منتشر شده در مجله اپتیک های زیست پزشکی، محققان دانشگاه جان هاپکینز ، میسون تی چن و نیکلاس جی. Dur ، یک تکنیک پایان به انتها برای محاسبه دقیق اکسیژناسیون بافت از تصاویر منفرد را پیشنهاد کرده اند که OxyGAN نامیده می شود. آنها این رویکرد را با استفاده از یک کلاس از چارچوب یادگیری ماشین به نام شبکه مسابقه ای تولید مشروط (cGAN) توسعه دادند ، که از دو شبکه عصبی – یک مولد و یک تبعیض – به طور همزمان بر روی داده های ورودی یکسان استفاده می کند. ژنراتور یاد می گیرد که تصاویر خروجی واقعی ایجاد کند ، در حالی که تفکیک می آموزد که آیا یک جفت عکس داده شده بازسازی صحیح برای ورودی داده شده را تعیین می کند.

محققان با استفاده از SDFI معمولی نقشه هایی از اکسیژن رسانی مری انسان بدست آوردند (ex vivo) ، دستها و پاها (در داخل بدن) و روده بزرگ خوک (در داخل بدن) تحت نور با دو طول موج مختلف (659 و 851 نانومتر). آنها OxyGAN را با نمونه های پا و مری آموزش دادند و نمونه های بازو و روده بزرگ را ذخیره کردند تا بعداً مشخصات آن را آزمایش کنند. آنها همچنین عملکرد آن را با یک تک تک تصویر مبتنی بر یک مدل فیزیکی و یک روش ترکیبی دو مرحله ای متشکل از یک مدل آموزش عمیق برای پیش بینی خواص نوری و یک مدل فیزیکی برای محاسبه اکسیژناسیون بافت مقایسه کردند.

محققان دریافتند که OxyGAN می تواند اکسیژن رسانی را نه تنها برای نمونه هایی که هنگام آموزش دیده است (پاهای انسان) ، بلکه همچنین برای نمونه هایی که ندیده است (دست انسان و روده بزرگ) اندازه گیری دقیق کند ، که نشان دهنده قدرت مدل است. عملکرد آن به ترتیب با 24.9٪ و 24.7٪ بهتر از هر دو مدل تک شات و مدل هیبریدی است. علاوه بر این ، دانشمندان OxyGAN را برای محاسبه ~ 10 برابر سریعتر از مدل ترکیبی بهینه کردند و اجازه نقشه برداری در زمان واقعی 25 هرتز را دادند. فردریک لبلون ، دستیار سردبیر مجله اپتیک های زیست پزشکی، این مقاله نه تنها پیشرفت قابل توجهی را نشان می دهد که می تواند به کاربرد عملی بالینی تصویربرداری با فرکانس فضایی کمک کند ، بلکه بخشی از مجموعه نسبتاً کوچک (البته سریعاً در حال افزایش) کارهای پایدار منتشر شده نیز خواهد بود. با استفاده از روش های نوع AI برای مقابله با داده های واقعی از نوری زیست پزشکی. “

اگرچه الگوریتم OxyGAN می تواند بیشتر بهینه شود ، اما این روش نوید می دهد که یک روش جدید برای اندازه گیری اکسیژن رسانی بافت است.

تاریخچه تاریخ:

مواد تهیه شده توسط SPIE – انجمن بین المللی نوری و فوتونیک. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: unbox-news.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>