这种相对较年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变以及诊断乳腺癌等应用。但是，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。
新的方法可以大幅减少传感器的数量，而不会降低最终的图像质量。这使得可以降低设备成本，提高成像速度或改善诊断。
什么是光声影像?
光声在某些方面与超声成像相似。在后者中，探头将超声波发送到体内，组织会对其进行反射。探头中的传感器检测返回的声波并生成人体内部的图像。相反，光声成像将非常短的激光脉冲发送到组织中，在那里它们被吸收并转换为超声波。与超声成像类似，研究人员随后可以检测到将其转换为图像的波。
该团队寻找一种方法来提高仅具有少量超声波传感器的低成本光声设备的图像质量。
为此，他们开始使用具有512个传感器的自行开发的高端光声扫描仪，该扫描仪可提供高质量的图像。他们使用人工神经网络分析图片，并了解了高质量图片的特征。
接下来，研究人员丢弃了大多数传感器，因此只剩下128或32个传感器，这对图像质量产生了不利影响。由于缺乏数据，图像中出现了称为条纹型伪影的失真。然而，事实证明，先前训练的神经网络可以在很大程度上校正这些失真，从而使图像质量更接近所有512个传感器获得的测量结果。
在光声技术中，图像质量不仅随着研究人员使用的传感器数量的增加而提高，而且当它们从尽可能多的方向捕获信息时，图像质量也会提高：研究人员将传感器围绕对象布置的区域越大，质量越好。机器学习算法还成功地提高了研究人员仅在有限范围内记录的图像质量。
苏黎世大学和苏黎世联邦理工学院生物医学成像教授丹尼尔·拉赞斯基(Daniel Razansky)表示：“这对于临床应用尤为重要，因为激光脉冲无法穿透整个人体，因此成像区域通常只能从一个方向进入。” 。
人工智能的帮手
科学家强调说，他们的方法不仅限于光声成像。因为该方法对重建的图像而不是原始记录的数据进行操作，所以它也适用于其他成像技术。
“您基本上可以使用相同的方法从任何种类的稀疏数据中生成高质量的图像，” Razansky说。他解释说，医生经常面临着解释病人的低质量图像的挑战。“我们证明，使用AI方法可以改善此类图像，使其更容易获得更准确的诊断。”
对于拉赞斯基来说，这项研究工作很好地证明了科学家如何使用现有的人工智能方法。
许多人认为人工智能可以代替人类的智能。至少对于当前可用的AI技术，这可能被夸大了。”他说。“它不能取代人类的创造力，但可能使我们摆脱繁琐而重复的任务。”
在他们目前的研究中，科学家使用了为小动物量身定制的光声层析成像设备，并用小鼠的图像训练了机器学习算法。Razansky说，下一步将是将该方法应用于人类患者的光声图像。
无需造影剂
与光声技术(也称为光声技术)不同，许多成像技术(例如超声，X射线或MRI)主要适用于可视化人体的解剖结构变化。为了接收其他功能信息，例如有关血流或代谢变化的信息，医生必须在成像前向患者使用造影剂或放射性示踪剂。
相反，光声方法可以可视化功能和分子信息，而无需引入造影剂。一个例子是组织氧合的局部变化，这是癌症的重要标志，可用于早期诊断。血管中的脂质含量仍是另一种潜在的疾病标记，可帮助及早发现心血管疾病。
但是，应注意的是，由于光声成像中使用的光波不像其他光波那样无法完全穿透人体，因此该方法仅适用于调查组织深达几厘米(比英寸)。