La tomografía de coherencia óptica (OCT) es un método de obtención de imágenes no invasivo que puede proporcionar información 3D de muestras biológicas. La primera generación de sistemas OCT se basó en imágenes en el dominio del tiempo, utilizando una configuración de escaneo mecánico. Sin embargo, la velocidad de adquisición de datos relativamente lenta de estos primeros sistemas OCT en el dominio del tiempo limitaba parcialmente su uso para obtener imágenes de muestras en vivo. La introducción de las técnicas de OCT de dominio espectral con mayor sensibilidad ha contribuido a un aumento espectacular de la velocidad y la calidad de las imágenes. La OCT se utiliza ahora ampliamente en la medicina diagnóstica. por ejemplo en oftalmología, para obtener de forma no invasiva imágenes 3D detalladas de la retina y la estructura del tejido subyacente.

En un nuevo artículo publicado en Luz:ciencia y aplicaciones , Un equipo de científicos de UCLA y de la Universidad de Houston (UH) ha desarrollado un método de reconstrucción de imágenes OCT basado en aprendizaje profundo que puede generar con éxito imágenes 3D de muestras de tejido utilizando significativamente menos datos espectrales de los que normalmente se requieren. Utilizando métodos de reconstrucción de imágenes estándar empleados en OCT, datos espectrales submuestreados, donde se omiten algunas de las medidas espectrales, daría lugar a graves artefactos espaciales en las imágenes reconstruidas, oscureciendo la información 3D y los detalles estructurales de la muestra que se va a visualizar. En su nuevo enfoque, Investigadores de UCLA y UH entrenaron una red neuronal utilizando el aprendizaje profundo para reconstruir rápidamente imágenes 3D de muestras de tejido con muchos menos datos espectrales de los que normalmente se adquieren en un sistema OCT típico. eliminar con éxito los artefactos espaciales observados en los métodos estándar de reconstrucción de imágenes.

La eficacia y solidez de este nuevo método se demostró mediante la obtención de imágenes de varias muestras de tejido humano y de ratón utilizando datos espectrales 3 veces menos capturados por un sistema OCT de fuente de barrido de última generación. Ejecutando en unidades de procesamiento de gráficos (GPU), la red neuronal eliminó con éxito los artefactos espaciales severos debido al submuestreo y la omisión de la mayoría de los puntos de datos espectrales en menos de una milésima de segundo para una imagen OCT que se compone de 512 exploraciones de profundidad (líneas A).

"Estos resultados destacan el potencial transformador de este marco de reconstrucción de imágenes OCT basado en redes neuronales, que se puede integrar fácilmente con varios sistemas OCT de dominio espectral, para mejorar la velocidad de las imágenes en 3D sin sacrificar la resolución o la relación señal-ruido de las imágenes reconstruidas, "dijo el Dr. Aydogan Ozcan, el Profesor Canciller de Ingeniería Eléctrica e Informática en UCLA y director asociado del California NanoSystems Institute, quien es el autor principal correspondiente del trabajo.

Esta investigación fue dirigida por el Dr. Ozcan, en colaboración con el Dr. Kirill Larin, profesor de Ingeniería Biomédica en la Universidad de Houston. Los otros autores de este trabajo son Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, y Yair Rivenson. El Dr. Ozcan también tiene nombramientos en la facultad de UCLA en bioingeniería y cirugía, y es profesor del HHMI.