微弱信号检测（新型Z-Net重建算法就可帮助乳腺癌成像诊断）

来自华盛顿的报道称，研究人员最近开发出一种新的图像重建方法，可能有助于更好地诊断乳腺癌。这种基于深度学习的重建算法，通过允许图像实时复原，克服了多模态成像过程中的一个主要难题。

该研究结果于2022年2月24日发表在Optica出版集团期刊上。研究者们将这个新的算法命名Z-Net，并且描述了它是如何在一个结合了光谱信息和平扫（非增强）磁共振（Magnetic Resonance Imaging, MRI）的成像平台上工作，以提高图像对乳腺癌的筛查能力。

Z-Net深度学习算法对光谱和MRI图像信息进行实时重建 | 参考文献[1]

“我们前期开发的近红外光谱断层扫描（Near Infrared Spectral Tomography，NIRST）和MRI成像平台已经显示出了优秀的前景，但是由于图像重建时间较长，花费精力较多，很难将其运用到日常的临床诊断工作中。”领导该团队的达特茅斯学院Keith Paulsen 教授解释说，“为了解决这些问题，我们设计了一种深度学习算法，该算法结合 MRI 的解剖图像数据来指导NIRST 图像的形成，从而不需要对组织中的光传播进行复杂的建模。”

Paulsen教授和来自北京理工大学以及伯明翰大学的同事们报告显示，他们的新算法可以利用MRI引导的 NIRST成像数据区分良恶性的乳腺肿瘤，这些数据均来自患者的乳腺检查。

“在乳腺癌的筛查和诊断中，Z-Net 可以使NIRST成为平扫（非增强） MRI的一个有效附加方法，因为它可以使MRI引导下的NIRST图像近乎实时复原。”Paulsen教授说，“它也易于被应用于其他癌症的筛查和有多模态成像数据的疾病诊断。”

深度学习的应用

如今，动态对比增强（Dynamic Contrast-enhanced，DCE)）MRI 被认为是最敏感的乳腺癌筛查手段。然而，DCE-MRI检查需要静脉注射造影剂，并有相当大的假阳性率。虽然平扫（非增强） MRI引导的NIRST提供了一种替代方案，并且不需要注射造影剂，也不存在电离辐射的影响，但是重建图像需要运用到复杂的光传播模型以及耗时的 MRI 图像分析。

为此，研究者们试图利用深度学习算法加快图像重建的过程。深度学习是一种机器学习方法，它以类似于人脑运作的方式在信息片段之间建立连接，使研究人员能够训练他们的算法来识别模式和复杂的关系。

“通过Z-Net 算法生成一张新图像的时间仅仅需要几秒钟。”该研究的第一作者冯金超教授说，“此外，我们开发的机器学习网络可以利用计算机模拟产生的数据进行训练，不需要从实际的病人检查中获取图像，而后者需要很长的时间来收集和处理训练数据。”

临床试验

完成算法训练之后，研究人员使用的模拟数据证实，在消除漫反射光传播模型以及不对MRI图像进行分割的情况下，重建图像的质量并不会降低。

接下来，研究者们进行了一项前瞻性的研究。他们将新算法应用于MRI引导的 NIRST数据，这批数据来自于两个乳腺成像检查：一个是由活检确认的乳腺癌；另一个则是乳腺良性病变。研究结果显示，新算法生成的图像可以区分恶性和良性的乳腺癌病例。

利用Z-Net算法进行乳腺癌诊断 | 参考文献[1]

“我们的方法具有诊断乳腺癌的潜力。”该研究的共同作者、同步开发磁共振成像和光学乳腺成像技术的开发者Shudong Jiang说，“研究结果还表明，在临床数据不足或无法用于深度学习算法的训练时，大量的模拟数据也可以用于研究。”

目前，研究人员正在努力使这种新的图像重建方法适用于3D数据，并计划在不久的将来进行更大规模的临床试验。

参考文献

[1] Jinchao Feng, Wanlong Zhang, Zhe Li, Kebin Jia, Shudong Jiang, Hamid Dehghani, Brian W. Pogue, and Keith D. Paulsen, "Deep-learning based image reconstruction for MRI-guided near-infrared spectral tomography," Optica 9, 264-267 (2022)

[2] https://www.eurekalert.org/news-releases/944396

编译：四七

编辑：酥鱼

排版：尹宁流

题图来源：Flickr, Marco Verch Professional Photographer / CC BY-SA 2.0（https://creativecommons.org/licenses/by/2.0/）

研究团队