La tomographie par cohérence optique (OCT) est une méthode d'imagerie non invasive qui peut fournir des informations 3D sur des échantillons biologiques. La première génération de systèmes OCT était basée sur l'imagerie dans le domaine temporel, à l'aide d'un dispositif de balayage mécanique. Cependant, la vitesse d'acquisition de données relativement lente de ces anciens systèmes OCT dans le domaine temporel limitait en partie leur utilisation pour l'imagerie de spécimens vivants. L'introduction des techniques OCT du domaine spectral avec une sensibilité plus élevée a contribué à une augmentation spectaculaire de la vitesse et de la qualité de l'imagerie. L'OCT est maintenant largement utilisé en médecine diagnostique, par exemple en ophtalmologie, pour obtenir de manière non invasive des images 3D détaillées de la rétine et de la structure tissulaire sous-jacente.

Dans un nouvel article publié dans Lumière :science et applications , une équipe de scientifiques de l'UCLA et de l'Université de Houston (UH) a développé une méthode de reconstruction d'images OCT basée sur l'apprentissage en profondeur qui peut générer avec succès des images 3D d'échantillons de tissus en utilisant beaucoup moins de données spectrales que normalement requises. En utilisant les méthodes de reconstruction d'image standard utilisées en OCT, données spectrales sous-échantillonnées, où certaines des mesures spectrales sont omises, entraînerait de graves artefacts spatiaux dans les images reconstruites, obscurcissant les informations 3D et les détails structurels de l'échantillon à visualiser. Dans leur nouvelle approche, Les chercheurs de l'UCLA et de l'UH ont formé un réseau de neurones en utilisant l'apprentissage en profondeur pour reconstruire rapidement des images 3D d'échantillons de tissus avec beaucoup moins de données spectrales que celles normalement acquises dans un système OCT typique, éliminer avec succès les artefacts spatiaux observés dans les méthodes de reconstruction d'images standard.

L'efficacité et la robustesse de cette nouvelle méthode ont été démontrées par l'imagerie de divers échantillons de tissus humains et murins en utilisant 3 fois moins de données spectrales capturées par un système OCT à source balayée à la pointe de la technologie. Fonctionnant sur des unités de traitement graphique (GPU), le réseau de neurones a réussi à éliminer les artefacts spatiaux graves dus au sous-échantillonnage et à l'omission de la plupart des points de données spectrales en moins d'un millième de seconde pour une image OCT composée de 512 balayages de profondeur (lignes A).

"Ces résultats mettent en évidence le potentiel de transformation de ce cadre de reconstruction d'images OCT basé sur un réseau de neurones, qui peut être facilement intégré à divers systèmes OCT de domaine spectral, d'améliorer leur vitesse d'imagerie 3D sans sacrifier la résolution ou le rapport signal sur bruit des images reconstruites, " a déclaré le Dr Aydogan Ozcan, le Chancellor's Professor of Electrical and Computer Engineering à l'UCLA et directeur associé du California NanoSystems Institute, qui est l'auteur principal correspondant de l'ouvrage.

Cette recherche a été dirigée par le Dr Ozcan, en collaboration avec le Dr Kirill Larin, professeur de génie biomédical à l'Université de Houston. Les autres auteurs de cet ouvrage sont Yijie Zhang, Tairan Liu, Manmohan Singh, Ege Çetintaş, et Yair Rivenson. Le Dr Ozcan est également professeur à l'UCLA en bio-ingénierie et en chirurgie, et est professeur HHMI.