La génération d'images moléculaires complètes d'organes et de tumeurs dans des organismes vivants peut être réalisée à une vitesse ultra-rapide à l'aide d'une nouvelle approche d'apprentissage en profondeur pour la reconstruction d'images développée par des chercheurs du Rensselaer Polytechnic Institute.

La nouvelle technique de l'équipe de recherche a le potentiel d'améliorer considérablement la qualité et la vitesse de l'imagerie chez les sujets vivants et a fait l'objet d'un article récemment publié dans Lumière :science et applications , une revue Nature.

L'imagerie basée sur la détection compressée est une technique de traitement du signal qui peut être utilisée pour créer des images basées sur un ensemble limité de mesures ponctuelles. Récemment, une équipe de recherche de Rensselaer a proposé une nouvelle approche instrumentale pour tirer parti de cette méthodologie afin d'acquérir des ensembles de données moléculaires complets, comme indiqué dans Photonique de la nature . Bien que cette approche produise des images plus complètes, le traitement des données et la formation d'une image peuvent prendre des heures.

Cette dernière méthodologie développée chez Rensselaer s'appuie sur les avancées précédentes et a le potentiel de produire des images en temps réel, tout en améliorant la qualité et l'utilité des images produites. Cela pourrait faciliter le développement de médicaments personnalisés, améliorer le diagnostic clinique, ou identifier le tissu à exciser.

En plus de fournir un aperçu global du sujet examiné, y compris les organes ou tumeurs que les chercheurs ont ciblés visuellement à l'aide de la fluorescence, ce processus d'imagerie peut révéler des informations sur l'administration intracellulaire réussie de médicaments en mesurant le taux de décroissance de la fluorescence.

Pour permettre une visualisation presque en temps réel des événements moléculaires, l'équipe de recherche a tiré parti des derniers développements en matière d'intelligence artificielle. La reconstruction d'image considérablement améliorée est réalisée à l'aide d'une approche d'apprentissage en profondeur. L'apprentissage en profondeur est un ensemble complexe d'algorithmes conçus pour apprendre à un ordinateur à reconnaître et à classer les données. Spécifiquement, cette équipe a développé une architecture de réseau de neurones convolutifs que les chercheurs de Rensselaer appellent Net-FLICS, qui signifie imagerie à durée de vie de fluorescence avec détection compressée.

"Cette technique est très prometteuse pour obtenir un diagnostic et un traitement plus précis, " dit Pingkun Yan, co-directeur du Centre d'imagerie biomédicale de Rensselaer. « Cette technologie peut aider un médecin à mieux visualiser où se trouve une tumeur et sa taille exacte. tissu normal."

Yan a développé cette approche avec l'auteur correspondant Xavier Intes, l'autre co-directeur du Centre d'imagerie biomédicale de Rensselaer, qui fait partie du Centre Rensselaer pour la biotechnologie et les études interdisciplinaires. Les doctorants Marien Ochoa et Ruoyang Yao ont soutenu la recherche.

"À la fin, l'objectif est de les traduire en milieu clinique. Habituellement, lorsque vous avez des systèmes cliniques, vous voulez être aussi rapide que possible, " dit Ochoa, alors qu'elle réfléchissait à la vitesse à laquelle cette nouvelle technique permet aux chercheurs de capturer ces images.

Un développement supplémentaire est nécessaire avant que cette nouvelle technologie révolutionnaire puisse être utilisée dans un cadre clinique. Cependant, sa progression a été accélérée en intégrant des données simulées basées sur la modélisation, une spécialité particulière pour Intes et son laboratoire.

"Pour l'apprentissage en profondeur, vous avez généralement besoin d'une très grande quantité de données pour la formation, mais pour ce système nous n'avons pas encore ce luxe car c'est un tout nouveau système, " dit Yan.

Il a déclaré que les recherches de l'équipe montrent également que la modélisation peut être utilisée de manière innovante en imagerie, étendre avec précision le modèle aux données expérimentales réelles.