Jak działa tomografia fotoakustyczna i jej zastosowanie w obrazowaniu biomedycznym?

Tomografia fotoakustyczna (PACT) to nowoczesna technika obrazowania biomedycznego, która łączy w sobie zalety dwóch popularnych metod – optycznego obrazowania i ultrasonografii. Fotoakustyka opiera się na zjawisku fotoakustycznym, które zostało po raz pierwszy opisane przez Alexandra Grahama Bella w 1880 roku. To właśnie wtedy odkrył on, że światło o określonej długości fali, gdy jest absorbowane przez metal, generuje fale akustyczne. Choć początkowe zastosowania tego zjawiska dotyczyły głównie analiz gazów, to w ostatnich dziesięcioleciach fotoakustyka zyskała popularność w obrazowaniu medycznym, łącząc zalety obrazowania optycznego i ultradźwiękowego.

Fotoakustyka polega na tym, że tkanka jest oświetlana krótkimi impulsami światła (zwykle o długości nanosekund) z użyciem lasera, a absorpcja tego światła przez chromofory (takie jak hemoglobina, woda czy melanin) prowadzi do lokalnego wzrostu temperatury. W wyniku tego wzrostu temperatury powstaje rozprężenie termoakustyczne, które generuje fale akustyczne – fale fotoakustyczne (PA). Fale te następnie są rejestrowane przez detektory ultradźwiękowe, a uzyskane sygnały wykorzystywane do rekonstrukcji obrazów wewnętrznych struktur i funkcji tkanek.

Aby generowanie sygnałów fotoakustycznych było efektywne, proces oświetlania tkanek musi odbywać się w warunkach tzw. "ograniczenia cieplnego". Oznacza to, że czas trwania impulsu świetlnego musi być znacznie krótszy niż czas potrzebny na rozpraszanie ciepła w tkance, co zapewnia, że energia cieplna pozostaje w obrębie obszaru poddanego oświetleniu przez cały czas trwania impulsu. Z kolei w warunkach "ograniczenia stresowego", czas trwania impulsu musi być krótszy niż czas, w którym stres mechaniczny rozprzestrzenia się w tkankach, co umożliwia zachowanie maksymalnej jakości sygnału fotoakustycznego.

Istnieje kilka rodzajów systemów fotoakustycznych, które różnią się używanymi transduktorami ultradźwiękowymi. Transduktory mogą być pojedynczymi elementami, matrycami liniowymi, zakrzywionymi lub sferycznymi. Wybór odpowiedniego typu transduktora zależy od pożądanej głębokości penetracji, rozdzielczości przestrzennej i specyfiki badanego obszaru.

Zastosowanie tomografii fotoakustycznej w obrazowaniu biomedycznym jest szerokie, zarówno w badaniach przedklinicznych na zwierzętach, jak i w diagnostyce klinicznej. W szczególności PACT znajduje zastosowanie w obrazowaniu naczyń krwionośnych, nowotworów, a także w badaniu struktury tkanek miękkich. Możliwość uzyskania wysokiej rozdzielczości obrazów w głębokich warstwach ciała sprawia, że technika ta ma ogromny potencjał w monitorowaniu chorób, takich jak rak, choroby serca czy choroby neurologiczne.

Warto również zwrócić uwagę na konieczność rozwoju odpowiednich kontrastów fotoakustycznych, które umożliwią jeszcze dokładniejsze obrazowanie specyficznych struktur biologicznych, takich jak naczynia krwionośne, komórki nowotworowe czy tkanki zapalne. Tego rodzaju innowacje mogą zrewolucjonizować sposoby monitorowania progresji chorób oraz oceny skuteczności leczenia.

Wszystkie te zmiany i rozwój technologii fotoakustycznych systemów obrazowania zapowiadają przyszłość, w której fotoakustyka będzie mogła pełnić rolę niezastąpionego narzędzia diagnostycznego w medycynie. Jednak wciąż pozostaje wiele wyzwań związanych z optymalizacją metod obróbki danych, poprawą jakości obrazów w głębszych warstwach tkanek oraz integracją tej technologii z innymi metodami obrazowania, jak np. rezonans magnetyczny (MRI) czy tomografia komputerowa (CT).

Jakie są zasady działania mikroskopii fotoakustycznej i jej zastosowanie w biomedycynie?

PAM jest szczególnie cennym narzędziem w obrazowaniu biologicznym, ponieważ umożliwia uzyskanie obrazów z głębokości, które w tradycyjnej mikroskopii optycznej są poza zasięgiem. W ciągu ostatnich kilku dekad mikroskopia fotoakustyczna zyskała szerokie zastosowanie w różnych dziedzinach biomedycyny, od obrazowania anatomicznego po badania funkcjonalne i molekularne. Umożliwia nie tylko dokładną wizualizację strukturalną, ale także ocenę funkcji tkanek w czasie rzeczywistym.

Podstawowym atutem tej technologii jest jej zdolność do uzyskiwania obrazów o wysokiej rozdzielczości, nawet w głębszych warstwach ciała, gdzie tradycyjne techniki optyczne nie są wystarczająco skuteczne. W zależności od zastosowanego systemu, PAM może działać w dwóch głównych trybach: mikroskopii optycznej z rozdzielczością optyczną (OR-PAM) oraz z rozdzielczością akustyczną (AR-PAM). Oba tryby różnią się między sobą głównie pod względem głębokości penetracji i rozdzielczości przestrzennej, przy czym mikroskopia akustyczna pozwala na obrazowanie głębszych struktur, kosztem mniejszej precyzji optycznej.

PAM pozwala na uzyskanie obrazów zarówno w skali komórkowej, jak i na poziomie organizmu, oferując w ten sposób wszechstronność w zastosowaniach biomedycznych. Może być używana do pomiarów funkcjonalnych, takich jak ocena przepływu krwi czy poziomu tlenu w tkankach. W połączeniu z kontrastami exogennymi, takimi jak nanocząstki czy cząsteczki fluorescencyjne, technika ta staje się również doskonałym narzędziem do obrazowania molekularnego, pozwalając na precyzyjne śledzenie procesów biologicznych na poziomie molekularnym.

Jednym z głównych obszarów zastosowań PAM jest obrazowanie anatomiczne, w tym ocenianie struktury naczyń krwionośnych, monitorowanie wzrostu guzów, a także śledzenie procesów związanych z regeneracją tkanek. Co więcej, mikroskopia fotoakustyczna znajduje również zastosowanie w obrazowaniu funkcjonalnym, takim jak ocena metabolizmu tkanek, w tym wykrywanie zmian w poziomie tlenu w wyniku aktywności metabolicznej. Pomaga to w analizie dynamiki procesów biologicznych, co jest niezwykle przydatne w badaniach nad chorobami nowotworowymi, sercowo-naczyniowymi czy neurodegeneracyjnymi.

PAM oferuje także znaczną przewagę w zakresie zastosowań klinicznych. Dzięki temu, że wykorzystuje fale akustyczne, które nie są szkodliwe dla organizmu, jest to technologia bezpieczna do stosowania w ludzkim ciele. Ponadto, jej stosunkowo niska cena w porównaniu z innymi zaawansowanymi metodami obrazowania, takimi jak rezonans magnetyczny (MRI) czy tomografia komputerowa (CT), czyni ją atrakcyjną opcją w diagnostyce wstępnej oraz w badaniach preklinicznych.

Ważnym aspektem jest również wykorzystanie mikroskopii fotoakustycznej w badaniach nad nowymi kontrastami i ich zastosowaniem w precyzyjnej diagnostyce. Możliwość wykorzystania endogennych biomolekuł, takich jak hemoglobina, melanin czy lipidy, jako naturalnych znaczników umożliwia uzyskiwanie obrazów bez konieczności stosowania sztucznych substancji chemicznych. W ten sposób, PAM może stać się narzędziem do przeprowadzania mniej inwazyjnych, ale jednocześnie równie precyzyjnych badań biomedycznych.

Należy jednak pamiętać, że technika ta, choć niezwykle obiecująca, wciąż ma swoje ograniczenia. Należą do nich trudności związane z uzyskiwaniem obrazów w bardzo głębokich tkankach oraz problemy z optymalizacją rozdzielczości w przypadku bardziej złożonych struktur. Ponadto, rozwój technologii i konstrukcja nowych systemów optycznych i akustycznych będzie kluczowa w poprawie jakości obrazowania i rozszerzaniu zakresu jej zastosowań.

Ważnym aspektem w dalszym rozwoju mikroskopii fotoakustycznej jest potrzeba intensyfikacji badań nad nowymi materiałami kontrastującymi oraz nad metodami pozwalającymi na zwiększenie głębokości penetracji światła. Współczesne wyzwania związane z rozdzielczością przestrzenną oraz czasową wymagają dalszych innowacji w dziedzinie technologii detekcji sygnałów akustycznych. Dodatkowo, zastosowanie PAM w diagnostyce klinicznej, w tym monitorowaniu progresji chorób nowotworowych, nadal wymaga dalszych badań nad jej walidacją i zgodnością z innymi technikami obrazowania, takimi jak tomografia komputerowa czy rezonans magnetyczny.

Jakie wyzwania stoją przed uczeniem maszynowym w analizie obrazów fotoakustycznych?

Jednym z kluczowych wyzwań w dziedzinie obrazowania fotoakustycznego jest zapewnienie odpowiednich i standaryzowanych danych do analizy, zwłaszcza w kontekście metod głębokiego uczenia. Współczesne techniki fotoakustyczne, które wykorzystują ultradźwięki oraz promieniowanie optyczne, znajdują szerokie zastosowanie w diagnostyce medycznej, zwłaszcza w wykrywaniu nowotworów, analizie naczyń krwionośnych czy monitorowaniu zmian w organizmach żywych. Jednakże rozwój algorytmów opartych na sztucznej inteligencji (AI) w tej dziedzinie napotyka poważne trudności związane z dostępnością odpowiednich zbiorów danych.

Pierwszym krokiem do rozwiązania tego problemu było utworzenie przez Międzynarodowy Konsorcjum Standaryzacji Fotoakustycznej (IPASC) uniwersalnego formatu danych. Wspólnota badawcza przyjęła format oparty na strukturze HDF5, który pozwala na bardziej efektywną wymianę danych pomiędzy badaczami i umożliwia ich łatwiejsze porównywanie. Bieżące informacje na temat tego formatu można znaleźć na stronie internetowej IPASC.

W przypadku głębokiego uczenia maszynowego, najczęściej stosowane są dane obrazów fotoakustycznych dotyczące struktur naczyniowych, zwłaszcza w kontekście wykrywania nowotworów piersi. Główne cele takich aplikacji to precyzyjna wizualizacja naczyń krwionośnych w obrębie guza, co w dużej mierze wpływa na skuteczność diagnozy. W związku z tym większość metod głębokiego uczenia, zaproponowanych w tym kontekście, koncentruje się na poprawie jakości obrazów naczyniowych.

Dostępne zbiory danych można podzielić na dwie główne grupy: (i) zbiory danych eksperymentalnych oraz (ii) cyfrowe dane prawdy (ground truth) wykorzystywane w symulacjach fotoakustycznych.

Zbiory danych eksperymentalnych

Pozyskiwanie danych eksperymentalnych w dziedzinie obrazowania fotoakustycznego stanowi ogromne wyzwanie. Niemniej jednak istnieją zbiory, które mogą być wykorzystane do trenowania i testowania algorytmów głębokiego uczenia. Na przykład, zespół Razanskiego oferuje dane dotyczące obrazowania całego ciała myszy, zarówno w przypadkach z pełnym, jak i ograniczonym widokiem. Tego rodzaju zbiory są szczególnie cenne w kontekście usuwania artefaktów z rekonstrukcji przy ograniczonym kącie widzenia. Zespół udostępnia również repozytorium danych, co ułatwia ich dostępność i wykorzystanie w dalszych badaniach.

Cyfrowe dane prawdy (Ground Truth)

Oprócz danych eksperymentalnych, powszechną praktyką jest korzystanie z cyfrowych danych prawdy, które uzyskuje się poprzez symulacje fotoakustyczne. Najczęściej stosowanymi danymi w tym przypadku są obrazy naczyniowe uzyskane z różnorodnych źródeł, takich jak segmentowane obrazy siatkówki z badań przesiewowych w kierunku retinopatii cukrzycowej. Takie obrazy są szeroko dostępne w publicznych bazach danych, takich jak DRIVE, CHASE, STARE czy ROSE. Ich wykorzystanie do generowania dużych zbiorów danych pozwala na skuteczniejsze trenowanie modeli głębokiego uczenia, szczególnie w kontekście rozpoznawania i analizowania struktur naczyniowych.

Inny przykład stanowi zbiór danych dostarczony przez Anastasio et al. z Uniwersytetu Illinois, który zawiera segmentowane obrazy MR piersi. Z kolei Neurovascular Network Explorer to zbiór danych pomiarów 2-fotonowych, które pomagają w modelowaniu struktury naczyń krwionośnych w mózgu szczurów. Istnieje również możliwość generowania sztucznych danych prawdy, na przykład poprzez oprogramowanie do symulacji wirtualnych fantomów obrazów piersi, które charakteryzują się anatomicznie realistyczną strukturą tkanek i właściwościami akustycznymi.

Pułapki i rozwiązania w zastosowaniach głębokiego uczenia w analizie obrazów fotoakustycznych

Również porównywanie wyników uzyskanych za pomocą różnych algorytmów głębokiego uczenia jest skomplikowane. W takich przypadkach istotne jest przeprowadzenie sprawiedliwego porównania, uwzględniając zarówno dokładność, jak i szybkość działania modeli. Warto również pamiętać, że przy ocenie wyników należy uwzględnić różnorodność zbiorów danych wykorzystywanych do treningu oraz testów. Często konieczne jest dostosowanie modelu do nowych, specyficznych danych, co wiąże się z koniecznością ich ponownego trenowania lub dostrajania.

Należy również pamiętać, że zaawansowane techniki takie jak generatywne sieci neuronowe (GAN) mogą wprowadzać niepożądane artefakty, które mogą zostać zauważone dopiero w czasie oceny klinicznej. Przeprowadzenie takich ocen przez specjalistów stanowi kluczowy element weryfikacji wyników uzyskanych w ramach badań z użyciem głębokiego uczenia.