亥姆霍兹慕尼黑大学和慕尼黑工业大学的研究人员在推进临床应用的高分辨率光声成像方面取得了重大进展。他们创新的深度学习框架，被称为DeepMB，为治疗一系列疾病的患者带来了巨大的希望，包括乳腺癌、杜氏肌营养不良症和炎症性肠病。他们的研究结果已经发表在《自然机器智能》杂志上。
为了了解和检测疾病，科学家和医务人员经常依靠成像方法，如超声波或x射线。然而，根据组织的不同，所得图像的分辨率和深度是有限的或不足的。一种被称为光声成像的相对较新的方法结合了超声和激光诱导光学成像的原理，因此是一种强大的医学成像工具，可以无创地评估各种疾病，包括乳腺癌、杜氏肌营养不良症、炎症性肠病等等。这项技术将极大地造福临床病人，然而，它的实际应用受到阻碍，因为高质量的图像需要非常长的处理时间。来自慕尼黑亥姆霍兹生物工程中心和计算健康中心以及慕尼黑工业大学的一组研究人员开发了一种深度学习框架(DeepMB)，使临床医生能够实时获得高质量的光声图像，这是该技术临床转化的重要一步。
研究重点是多光谱光声断层扫描(MSOT)，这是一种由慕尼黑亥姆霍兹大学和慕尼黑工业大学的Ntziachristos教授和他的研究团队开发的光声成像方法，由他的分拆公司iThera Medical GmbH分销并不断共同推进。MSOT扫描仪的工作原理是利用光声效应，当光被材料吸收时会产生声波。该仪器收集这些声波，在所谓的重建算法的帮助下，这些声波被转换成图像显示在扫描仪监视器上。不幸的是，能够快速重建图像以实时显示图像的简单算法只能提供低质量的图像，而能够产生高质量图像的更复杂算法需要的时间远远超过临床环境中的实际情况。
光声成像加速更快的结果，而不影响图像质量
新的神经网络DeepMB能够重建高质量的光声图像，比最先进的算法快1000倍，几乎没有图像质量损失。实现这一成就的关键创新是DeepMB使用的训练策略。该训练策略是基于从真实世界的各种图像合成的光声信号与从相应信号重构的光声图像配对。由此产生的框架还克服了人工智能(AI)的主要挑战之一:泛化。这意味着DeepMB可以准确地重建从任何病人身上获得的所有扫描，而不管目标是身体的哪一部分，也不管分析的是哪种疾病。
促进光声断层成像的临床应用
通过使用DeepMB，临床医生将首次直接获得最佳的MSOT图像质量。这代表了这项技术的重大飞跃，对临床研究产生了积极影响，并最终帮助患者获得更好的护理。DeepMB的核心原理也很容易适应，可以应用于光声成像的许多其他重建方法，包括亥姆霍兹慕尼黑的其他研究工作。更广泛地说，研究人员认为这个框架也可以应用于其他成像模式，如超声、x射线或磁共振成像(MRI)。
关于科学家
Vasilis Ntziachristos教授，慕尼黑亥姆霍兹大学生物与医学成像研究所所长、生物工程系主任、慕尼黑工业大学生物成像教授。
Dominik j
关于亥姆霍兹慕尼黑:
亥姆霍兹慕尼黑是一家领先的生物医学研究中心。其使命是在快速变化的世界中为增进健康开发突破性解决方案。跨学科研究团队专注于环境引发的疾病，特别是糖尿病、肥胖、过敏和慢性肺部疾病的治疗和预防。随着人工智能和生物工程的力量，研究人员加速了对患者的转化。亥姆霍兹慕尼黑拥有2500多名员工，总部位于慕尼黑/纽赫堡。它是亥姆霍兹协会的成员，拥有43,000多名员工和18个研究中心，是德国最大的科学组织。更多关于亥姆霍兹慕尼黑(亥姆霍兹中心
): www.helmholtz-munich.de/en
