Yeni bir makine öğrenimi yöntemi, optoakustik görüntülemenin görüntü kalitesini önemli ölçüde iyileştirdi. Teknoloji, kanser teşhisi gibi diğer alanlarda da görüntü kalitesini iyileştirmek için kullanılabilir.

Zürih, İsviçre). Önümüzdeki birkaç yıl içinde yapay zeka (AI) sadece ekonomide değil tıpta da büyük değişiklikler getirecek. AI tarafından kontrol edilen robotlar , siyah deri kanserini tespit etmede birçok doktordan daha iyi performans gösterdiği görüntüleri değerlendirmeye ek olarak, gelecekte karmaşık kalp ameliyatlarını bile üstlenebilir.

ETH Zürih ve Zürih Üniversitesi’nden bilim adamları, Nature Machine Intelligence dergisinde optoakustik görüntüleme sonuçlarını iyileştiren yeni bir makine öğrenimi yöntemi sunan bir makale yayınladılar. Henüz emekleme aşamasında olan bu yöntem, meme kanseri ve cilt hastalıklarını tespit etmek ve insanların beyin aktivitelerini ve kan damarlarını görselleştirmek için kullanılıyor.

Optoakustik görüntülemenin kalitesi sensör sayısına bağlıdır

Optoakustik görüntüleme süreci, ultrason görüntüleme ile karşılaştırılabilir ve insan dokusundan gönderilen lazer darbelerini kullanır. Daha sonra orada ultrasonik dalgalara dönüştürülür ve geri gönderilir. Sensörler daha sonra bu ultrasonik dalgaları alır ve verilerden bir görüntü oluşturur.

Optoakustik görüntüleme ile elde edilen kalite, büyük ölçüde kullanılan sensör sayısına bağlıdır. Artık İsviçre’de geliştirilen süreçle, gerekli sensör sayısını azaltırken görüntü kalitesini korumak mümkün. Bu, görüntüleme hızını önemli ölçüde artırır ve cihazların üretim maliyetlerini azaltır. Alternatif olarak aynı sayıda sensör ile görüntü kalitesi tekrar arttırılabilir.

Engelleyici sinyaller yapay zeka tarafından kaldırılır

Bilim adamları, çok yüksek bir görüntü kalitesi sağlayan, 512 sensörlü, kendi geliştirdikleri bir optoakustik cihaz kullandılar. Bu cihazdan alınan görüntüler daha sonra eğitim verilerinden yüksek kaliteli optoakustik görüntülerin nasıl göründüğünü öğrenen bir yapay sinir ağı tarafından değerlendirildi. Araştırmacılar daha sonra orijinal 512 sensörün yalnızca 128 veya 32’sini kullanarak bir dizi görüntü oluşturdu.

Sonuç, çizgi benzeri girişim sinyalleri ile önemli ölçüde daha düşük kalitede görüntülerdi. Girişim sinyallerini filtreleyebilen önceden eğitilmiş makine öğrenme sistemi işlendikten sonra, görüntü kalitesi neredeyse 512 sensörle üretilen görüntülerin seviyesine yükseldi.

Makine öğrenimi sistemi, optoakustik görüntülemeye ek olarak, ham verilere ihtiyaç duyulmadığından yalnızca bitmiş görüntü analiz edildiğinden doktorların diğer alanlardaki çalışmalarına da destek verebiliyor. Çalışma lideri Daniel Razansky’ye göre, “Genel olarak teknoloji, daha az ham veriyle kaliteli görüntüler üretmek için kullanılabilir.”