Investigadores usan aprendizaje automático para aumentar la resolución de las imágenes por TCO

Los ingenieros biomédicos de la Universidad de Duke (Durham, NC, EUA) idearon un método para aumentar la resolución de la tomografía de coherencia óptica (TCO) a una escala de una sola micra en todas las direcciones. La nueva técnica, llamada tomografía de refracción de coherencia óptica (TRCO), podría mejorar las imágenes médicas obtenidas en la industria multimillonaria de la TCO para campos médicos que van desde la cardiología hasta la oncología.

La TCO es una tecnología de imagenología análoga a la ecografía, que utiliza luz en lugar de ondas de sonido. Una sonda dispara un haz de luz sobre un tejido y, en función de los retrasos de las ondas de luz a medida que se recuperan, se determina los límites de las características internas. Para obtener una imagen completa de estas estructuras, el proceso se repite en muchas posiciones horizontales sobre la superficie del tejido que se escanea.

Dado que la TCO proporciona una resolución de profundidad mucho mejor que la dirección lateral, funciona mejor cuando estas características contienen principalmente capas planas. Cuando los objetos dentro del tejido tienen formas irregulares, las características se vuelven borrosas y la luz se refracta en diferentes direcciones, reduciendo la calidad de la imagen. Los intentos anteriores para crear imágenes de TCO con alta resolución lateral se basaron en la holografía, que mide minuciosamente el complejo campo electromagnético reflejado desde el objeto. Si bien esto se ha demostrado, el método requiere que la muestra y el aparato de imagenología permanezcan perfectamente quietos hasta la escala nanométrica durante toda la medición.

Sin embargo, los ingenieros biomédicos de la Universidad de Duke tomaron un enfoque diferente. En lugar de confiar en la holografía, los investigadores combinaron las imágenes de TCO adquiridas desde múltiples ángulos para extender la resolución de profundidad a la dimensión lateral. Sin embargo, cada imagen TCO individual se distorsiona por la refracción de la luz a través de irregularidades en las células y otros componentes del tejido. Con el fin de poder compensar estos caminos alterados al compilar las imágenes finales, los investigadores debían modelar con exactitud la forma cómo se dobla la luz a medida que pasa a través de la muestra.

Para lograr esta hazaña computacional, los ingenieros biomédicos desarrollaron un método utilizando la “optimización basada en gradiente” para inferir el índice de refracción dentro de las diferentes áreas de tejido en base a las imágenes de múltiples ángulos. Este enfoque determina la dirección en la que se debe ajustar la propiedad dada, en este caso, el índice de refracción, para crear una mejor imagen. Después de varias iteraciones, el algoritmo crea un mapa del índice de refracción del tejido que compensa mejor las distorsiones de la luz. El método se implementó utilizando TensorFlow, una biblioteca de software popular creada por Google para aplicaciones de aprendizaje profundo.

Para los experimentos de prueba de concepto, los investigadores tomaron muestras de tejido como la vejiga o la tráquea de un ratón, las colocaron en un tubo y rotaron las muestras 360 grados debajo de un escáner de TCO. El algoritmo creó con éxito un mapa del índice de refracción de cada muestra, aumentando la resolución lateral del escaneo en más de un 300% y reduciendo el ruido de fondo en la imagen final. Si bien el estudio utilizó muestras ya extraídas del cuerpo, los investigadores creen que se puede adaptar la TRCO para trabajar en un organismo vivo.

“Una de las muchas razones por las que este trabajo me parece emocionante es que pudimos tomar prestadas herramientas de la comunidad de aprendizaje automático y aplicarlas no solo para procesar imágenes de TCO, sino también para combinarlas de una manera novedosa y extraer nueva información”, dijo el investigador, Kevin Zhou. “Creo que hay muchas aplicaciones de estas bibliotecas de aprendizaje profundo como TensorFlow y PyTorch, fuera de las tareas estándar como la clasificación y segmentación de las imágenes”.

Enlace relacionado:
Universidad de Duke