研究人员报告，人工智能可以提高光声成像的质量。
这项相对年轻的医学成像技术可用于显示血管、研究大脑活动、识别皮肤病变以及诊断乳腺癌等应用。然而，成像质量在很大程度上取决于设备所用传感器的数量和分布：传感器越多，图像质量越好。
新方法可以在不牺牲成像质量的前提下大幅减少传感器数量。这使得降低设备成本、提高成像速度或改善诊断成为可能。
什么是光声成像？
光声成像在某些方面与超声成像相似。在超声成像中，探头向人体发射超声波，组织对其进行反射。探头中的传感器接收返回的声波，并生成人体内部的图像。而光声成像则是将极短的激光脉冲射入组织，脉冲被吸收后转化为超声波。与超声成像类似，研究人员随后可以探测这些波并将其转化为图像。
该团队一直在寻找一种方法，以提高仅配备少量超声传感器的低成本光声设备的图像质量。
为此，他们首先使用一台自主研发的高端光声扫描仪，该扫描仪配有512个传感器，可提供高质量图像。他们让一个人工神经网络分析这些图片，使其学习高质量图像的特征。
接着，研究人员舍弃了大部分传感器，仅保留128个或32个传感器，这对图像质量产生了不利影响。由于数据不足，图像中出现了被称为条纹伪影的失真。然而结果表明，先前训练好的神经网络可以在很大程度上校正这些失真，从而使图像质量接近使用全部512个传感器所获得的测量结果。
在光声成像中，图像质量不仅随研究人员所用传感器数量的增加而提高，还随其从尽可能多的方向采集信息而提高：研究人员围绕物体布置传感器的扇形范围越大，质量越好。该机器学习算法还成功改善了研究人员仅从一个狭窄受限扇形范围内记录的图像质量。
“这对临床应用尤为重要，因为激光脉冲无法穿透整个人体，因此成像区域通常只能从一个方向进行探测，”苏黎世大学与苏黎世联邦理工学院生物医学成像教授丹尼尔·拉赞斯基（Daniel Razansky）表示。
人工智能的助力
科学家强调，他们的方法并不局限于光声成像。由于该方法作用于重建后的图像，而非原始记录数据，因此也适用于其他成像技术。
“基本上，你可以使用相同的方法，从任何类型的稀疏数据中生成高质量图像，”拉赞斯基表示。他解释说，医生经常面临解读患者低质量图像的挑战。“我们的研究表明，此类图像可以通过人工智能方法得到改善，从而更容易做出更准确的诊断。”
在拉赞斯基看来，这项研究工作很好地说明了科学家如何利用现有的人工智能方法。
“许多人认为人工智能可以取代人类智能。这种观点可能有所夸大，至少就目前可用的人工智能技术而言是如此，”他说。“它无法取代人类的创造力，但可能使我们摆脱一些费力、重复性的工作。”
在当前的研究中，科学家使用了一台为小动物定制的光声断层成像设备，并用小鼠图像训练机器学习算法。拉赞斯基表示，下一步将是把该方法应用于人类患者的光声图像。
无需造影剂
与光声成像（也称光声学）不同，超声、X射线或MRI等许多成像技术主要适用于显示人体的解剖结构改变。要获得额外的功能信息，例如与血流或代谢变化相关的信息，医生必须在成像前为患者注射造影剂或放射性示踪剂。
相比之下，光声方法无需引入造影剂即可显示功能和分子信息。例如，组织氧合的局部变化——这是癌症的一个重要标志，可用于早期诊断。血管中的脂质含量则是另一种潜在的疾病标志物，有助于心血管疾病的早期发现。
然而，需要指出的是，由于光声成像所用的光波与其他波不同，无法完全穿透人体，因此该方法仅适用于探查皮肤下几厘米（略多于一英寸）深度的组织。
