La tomografia a coerenza ottica (OCT) è un metodo di imaging non invasivo in grado di fornire informazioni 3D di campioni biologici. La prima generazione di sistemi OCT era basata sull'imaging nel dominio del tempo, utilizzando una configurazione di scansione meccanica. Però, la velocità di acquisizione dei dati relativamente lenta di questi precedenti sistemi OCT nel dominio del tempo ne limitava parzialmente l'uso per l'imaging di campioni vivi. L'introduzione delle tecniche OCT nel dominio spettrale con maggiore sensibilità ha contribuito a un notevole aumento della velocità e della qualità delle immagini. L'OCT è ora ampiamente utilizzato nella medicina diagnostica, per esempio in oftalmologia, per ottenere in modo non invasivo immagini 3D dettagliate della retina e della struttura tissutale sottostante.

In un nuovo articolo pubblicato su Luce:scienza e applicazioni , un team di scienziati dell'UCLA e dell'Università di Houston (UH) ha sviluppato un metodo di ricostruzione dell'immagine OCT basato sull'apprendimento profondo in grado di generare con successo immagini 3D di campioni di tessuto utilizzando dati spettrali significativamente inferiori a quelli normalmente richiesti. Utilizzando metodi standard di ricostruzione dell'immagine impiegati in OCT, dati spettrali sottocampionati, dove alcune delle misurazioni spettrali sono omesse, comporterebbe gravi artefatti spaziali nelle immagini ricostruite, oscurando informazioni 3D e dettagli strutturali del campione da visualizzare. Nel loro nuovo approccio, I ricercatori dell'UCLA e dell'UH hanno addestrato una rete neurale utilizzando il deep learning per ricostruire rapidamente immagini 3D di campioni di tessuto con dati spettrali molto inferiori rispetto a quelli normalmente acquisiti in un tipico sistema OCT, rimuovendo con successo gli artefatti spaziali osservati nei metodi di ricostruzione delle immagini standard.

L'efficacia e la robustezza di questo nuovo metodo sono state dimostrate dall'imaging di vari campioni di tessuto umano e murino utilizzando dati spettrali 3 volte inferiori acquisiti da un sistema OCT all'avanguardia. In esecuzione su unità di elaborazione grafica (GPU), la rete neurale ha eliminato con successo gravi artefatti spaziali dovuti al sottocampionamento e all'omissione della maggior parte dei punti di dati spettrali in meno di un millesimo di secondo per un'immagine OCT composta da 512 scansioni di profondità (linee A).

"Questi risultati evidenziano il potenziale trasformativo di questo framework di ricostruzione dell'immagine OCT basato su rete neurale, che può essere facilmente integrato con vari sistemi OCT di dominio spettrale, per migliorare la loro velocità di imaging 3D senza sacrificare la risoluzione o il rapporto segnale-rumore delle immagini ricostruite, " ha detto il dottor Aydogan Ozcan, il Professore del Cancelliere di Ingegneria Elettrica e Informatica presso l'UCLA e direttore associato del California NanoSystems Institute, chi è l'autore corrispondente senior dell'opera.

Questa ricerca è stata condotta dal Dr. Ozcan, in collaborazione con il Dott. Kirill Larin, un professore di ingegneria biomedica presso l'Università di Houston. Gli altri autori di questo lavoro sono Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, e Yair Rivenson. Il dottor Ozcan ha anche incarichi di facoltà dell'UCLA in bioingegneria e chirurgia, ed è un professore HHMI.