อัลกอริธึมแมชชีนเลิร์นนิงสร้างภาพหลอนเต้านมดิจิทัลที่เหมือนจริง

อัลกอริธึมแมชชีนเลิร์นนิงสร้างภาพหลอนเต้านมดิจิทัลที่เหมือนจริง

การแนะนำระบบ CT เต้านมโดยเฉพาะสามารถช่วยปรับปรุงการตรวจหามะเร็งเต้านมโดยเอาชนะปัญหาการทับซ้อนของเนื้อเยื่อที่เกี่ยวข้องกับการตรวจเต้านมแบบสองมิติ เพื่อพัฒนาเทคโนโลยีนี้ต่อไป การจำลองด้วยคอมพิวเตอร์ของกระบวนการรับภาพจึงเป็นเครื่องมือที่ทรงคุณค่า และในอุดมคติแล้ว การจำลองดังกล่าวควรใช้ภาพหลอนดิจิทัลที่สะท้อนโครงสร้างสามมิติของเนื้อเยื่อเต้านมของมนุษย์

ภาพหลอนดิจิทัลแบบ Voxelized 

ตามภาพ CT ของเต้านมทางคลินิกได้รับประโยชน์จากการผสมผสานความสมจริงและความแปรปรวนของข้อมูลผู้ป่วยจริง อย่างไรก็ตาม ความแม่นยำของพวกมันถูกจำกัดด้วยความละเอียดเชิงพื้นที่ของอุปกรณ์สร้างภาพ หากภาพทางคลินิกไม่สามารถจับภาพที่ขอบยาวและเส้นละเอียดของเนื้อเยื่อต่อมได้เต็มที่ จะทำให้สูญเสียต่อมในภาพหลอนดิจิทัล ซึ่งจะเป็นการจำกัดความถูกต้องของการวิเคราะห์ที่ตามมาทั้งหมด

ในการจำลองภาพเต้านมอย่างแม่นยำ จำเป็นต้องใช้ภาพหลอนที่มีความละเอียดเชิงพื้นที่สูงกว่าภาพจำลองที่จำลองขึ้น ตอนนี้ ทีมงานจากRadboud University Medical CenterและUniversity of Triesteได้ใช้อัลกอริธึมการเรียนรู้ด้วยเครื่องเพื่อสร้างภาพหลอนเต้านมแบบดิจิทัลที่มี “ความละเอียดสูง” ซึ่งมีความละเอียดสูงกว่าระบบที่ใช้ในการรับภาพผู้ป่วยต้นแบบ

“เราพัฒนาภาพหลอนเหล่านี้เพื่อใช้สำหรับการจำลองภาพเต้านมด้วยคอมพิวเตอร์” Ioannis Sechopoulosผู้ เขียนนำอธิบาย “เราสามารถจำลองการได้มาซึ่ง CT เต้านมโดยเฉพาะหรือภาพการสังเคราะห์เต้านมโดยใช้ภาพหลอนเหล่านี้เป็นตัวแทนของเต้านมของผู้ป่วย ด้วยวิธีนี้ เราสามารถปรับการออกแบบและการตั้งค่าของระบบภาพใหม่ให้เหมาะสมก่อนที่จะสร้างจริง และตรวจสอบความถูกต้องของวิธีการวิเคราะห์ภาพแบบใหม่”

Sechopoulos และเพื่อนร่วมงานได้รับภาพ

โดยใช้ระบบ CT เต้านมทางคลินิกที่มีขนาดพิกเซลเล็กน้อย 194 μm และสร้างใหม่ด้วยขนาด voxel 273 μm โดยมุ่งหวังที่จะเพิ่มความละเอียดภาพหลอนจากภาพผู้ป่วยสี่เท่า ขั้นตอนแรกของพวกเขาคือการลดขนาด voxel ในภาพทางคลินิกจาก 273 เป็น 68 μm

อย่างไรก็ตาม การลดขนาด voxel นั้นไม่สามารถกู้คืนรายละเอียดของต่อมได้ ผู้เขียนคนแรก Marco Caballo นักศึกษาระดับปริญญาเอกที่ศูนย์การแพทย์มหาวิทยาลัย Radboud ใช้อัลกอริธึมการถดถอยที่ใช้การเรียนรู้ด้วยเครื่องเพื่อคำนวณต่อมที่ความละเอียดดั้งเดิม ต่อมที่คาดว่าจะอยู่ที่ 68 ไมโครเมตร และการสูญเสียเนื้อเยื่อต่อมโดยประมาณ จากนั้นพวกเขาใช้อัลกอริธึมที่สองซึ่งเป็นโครงข่ายประสาทเทียมเพื่อกู้คืนรายละเอียดของต่อมโดยการทำแผนที่ระหว่างภาพที่มีความละเอียดสูงและต่ำจนกว่าจะถึงต่อมที่คาดการณ์ไว้

อัลกอริธึมทั้งสองได้รับการฝึกฝนเกี่ยวกับภาพความละเอียดสูงของเนื้อเยื่อเต้านมของมนุษย์ ซึ่งได้มาจากระบบซินโครตรอนที่มีขนาดพิกเซลเล็กน้อย 60 ไมโครเมตร “ความพร้อมใช้งานของภาพ CT เนื้อเยื่อเต้านมที่มีความละเอียดสูงทำให้งานนี้ดูสมจริงกว่าการใช้ข้อมูลจำลอง” Sechopoulos กล่าว

ตัวอย่างของ CT เต้านมต้นฉบับที่แบ่งส่วนจากเคสของผู้ป่วย (a) และสไลซ์ที่สอดคล้องกันของ Phantom ที่มีความละเอียดสูงสุดที่สร้างขึ้น (b) แผง (c) และ (d) แสดงการขยายพื้นที่เดียวกันของทั้งสองชิ้นภาพหลอนที่มีความละเอียดสูงที่สร้างขึ้นโดยใช้วิธีนี้แสดงให้เห็นว่าการสูญเสียรายละเอียดของต่อมมีแนวโน้มเพิ่มขึ้นตามปริมาณของวอกเซลเนื้อเยื่อต่อม 

การสูญเสียสัมบูรณ์ทั้งหมดจาก 60 ถึง 480 μm 

คือ 1.52% สำหรับปริมาณดอกเบี้ย (VOI) ที่เริ่มต้นด้วยต่อมที่ 8.03% และ 7.7% สำหรับ VOI ที่เริ่มต้นด้วยต่อมที่ 48.04%ในการประเมินวิธีการที่เสนอ นักวิจัยได้ใช้ภาพ CT เต้านมทางคลินิก 10 ภาพ (สร้างใหม่ที่ 273 ไมโครเมตร) เพื่อสร้างภาพหลอนที่มีความละเอียดสูงด้วยว็อกเซล 68 ไมโครเมตร จากนั้นจึงลดตัวอย่างภาพหลอนเหล่านี้กลับไปเป็น 273 ไมโครเมตร การเปรียบเทียบค่าต่อมที่คำนวณได้ระหว่างภาพหลอนที่มีความละเอียดสูงสุดที่ลดขนาดตัวอย่างและภาพ CT เต้านมดั้งเดิมทำให้เกิดข้อผิดพลาดเฉลี่ย 0.27%

ทีมงานยังได้สร้างภาพทางคลินิกขึ้นใหม่ 10 ภาพ ที่ทั้ง 273 และ 194 μm พวกเขาใช้อัลกอริธึมในการสุ่มตัวอย่างรูปภาพ 273 μm เป็นรูปภาพ 194 μm จากนั้นเปรียบเทียบต่อมในรูปภาพ 194 μm สองภาพ นอกจากนี้ยังส่งผลให้เกิดข้อผิดพลาดเฉลี่ยเล็กน้อยที่ 0.15%

ในที่สุด เพื่อประเมินความสมจริงของภาพหลอนที่สร้างขึ้น นักวิจัยได้แสดงภาพคู่ให้กับนักรังสีวิทยาเต้านมที่มีประสบการณ์ ซึ่งถูกขอให้แยกภาพที่แท้จริงออกจากภาพหลอนที่เกี่ยวข้อง การเปรียบเทียบส่งผลให้เกิดผลลัพธ์แบบสุ่ม (ความแม่นยำ 47%) ซึ่งยืนยันความสมจริงของภาพหลอนเต้านมที่มีความละเอียดสูงสุดที่สร้างขึ้น

ขณะนี้นักวิจัยกำลังทำงานเพื่อพัฒนา CT เต้านมเฉพาะที่เพิ่มคอนทราสต์แบบไดนามิก ซึ่งพวกเขาเชื่อว่าจะเป็นประโยชน์สำหรับการดูแลมะเร็งเต้านมในหลายขั้นตอน “ดังนั้นเราจึงพัฒนาภาพหลอนเหล่านี้ ร่วมกับงานก่อนหน้านี้ซึ่งเราได้เพิ่มลักษณะไดนามิกของการเพิ่มประสิทธิภาพคอนทราสต์ให้กับภาพหลอน เพื่อปรับขั้นตอนการรับภาพและการวิเคราะห์ของรูปแบบใหม่นี้ให้เหมาะสมที่สุด” Sechopoulos กล่าวกับPhysics Worldพบการชนกันของดาวนิวตรอน 2 ดวงอย่างงดงามเป็นครั้งแรก

เครื่องตรวจจับ LIGO และ Virgo กำลังได้รับการอัปเกรดและการดำเนินการครั้งที่สามจะเริ่มในปีหน้า “มันเป็นช่วงเวลาที่น่าตื่นเต้นอย่างไม่น่าเชื่อ” David Shoemaker จากสถาบันเทคโนโลยีแมสซาชูเซตส์ ซึ่งเป็นโฆษกของ LIGO Scientific Collaboration กล่าว “การสังเกตการณ์ครั้งต่อไปซึ่งเริ่มในฤดูใบไม้ผลิปี 2019 ควรให้ผู้สมัครคลื่นโน้มถ่วงจำนวนมากขึ้น และวิทยาศาสตร์ที่ชุมชนสามารถทำได้จะเติบโตขึ้นตามลำดับ”

เหตุการณ์ใหม่ บวกกับการตรวจจับที่ประกาศไว้ก่อนหน้านี้ได้อธิบายไว้ในงานพิมพ์ล่วงหน้าสองฉบับบนarXiv แคตตาล็อกก่อนพิมพ์ฉบับหนึ่ง แสดงการควบรวมกิจการทั้งหมดเท่าที่เห็น ในขณะที่อีกรายการหนึ่งพิจารณาเฉพาะสิ่งที่ LIGO–Virgo บอกเราเกี่ยวกับประชากรหลุมดำไบนารีในจักรวาล

Credit : เกมส์ออนไลน์แนะนำ >>>สล็อตแตกง่าย