NIH-wetenschappers gebruiken AI om standaard oogbeelden te verscherpen

NIH-wetenschappers gebruiken AI om standaard oogbeelden te verscherpen

Wetenschappers van de National Institutes of Health (NIH) hebben kunstmatige intelligentie gebruikt om een ​​apparaat te transformeren dat de fundus in één oog omzet in scherpe cellen. De techniek biedt beeldresolutie die kan wedijveren met de meest geavanceerde apparatuur die beschikbaar is, is goedkoper, sneller en vereist geen gespecialiseerde apparatuur of expertise. De strategie heeft implicaties voor de vroege detectie van ziekten en het monitoren van het behandelaanbod, waardoor zichtbaar wordt wat ooit onzichtbaar was.

"AI brengt mogelijk de volgende generatie beeldvorming in handen van standaard oogklinieken. Het is als een lens met hoge resolutie voor een eenvoudige camera." zei Johnny Tam, Ph.D., onderzoeker bij het NIH-National Eye Institute en senior auteur van het onderzoeksrapport, dat werd gepubliceerdCommunicatie geneeskunde.

Beeldvormende apparaten, bekend als oftalmoscopen, worden vaak gebruikt om het lichtgevoelige netvlies aan de achterkant van het oog te onderzoeken. Een scanninglaseroftalmoscoop is standaard in oogklinieken, maar de resolutie ervan kan alleen structuren op weefselniveau detecteren, zoals laesies, bloedvaten en de kop van de oogzenuw. Oftalmoscopen van de volgende generatie met adaptieve optica (een technologie die lichte vervormingen compenseert) kunnen cellulaire kenmerken detecteren en meer diagnostische informatie verschaffen. Adaptieve beeldvorming met optica bevindt zich echter nog in de experimentele fase.

TAM en zijn medewerkers ontwikkelden een aangepast AI-systeem om beelden van een weefsellaag onder de lichtgevoelige fotoreceptoren, bekend als het retinaal gepigmenteerd epitheel (RPE), digitaal te verbeteren. De eerste stap was om het systeem te leren de beeldkwaliteit als slecht, matig of goed te herkennen. De onderzoekers deden dit door het systeem meer dan 1.400 beelden uit verschillende delen van het netvlies te sturen, verkregen met behulp van oftalmoscopie-adaptieve optica. Vervolgens voerden ze het systeem overeenkomstige beelden in van dezelfde netvlieslocaties, maar verkregen met behulp van standaard oftalmoscopie. Uit een beeldscherptetest bleek dat de AI de helderheid acht keer verbeterde.

Ons systeem gebruikte wat het leerde bij het evalueren van de beelden verkregen met adaptieve optica om de beelden verkregen met behulp van standaard oftalmoscopie digitaal te verbeteren. Het is belangrijk erop te wijzen dat het systeem niets uit niets creëert. Kenmerken die we zien in RPE-cellen met standaardbeeldvorming zijn gewoon onduidelijk. “

Johnny Tam, Ph.D., onderzoeker bij het National Eye Institute van de NIH

Deze technieken omvatten het injecteren van een kleurstof genaamd indocyaninegroen (ICG) in de bloedbaan om het contrast van anatomische kenmerken te vergroten. In de oogkliniek wordt ICG meestal gebruikt om de bloedvaten van het oog in beeld te brengen.

“Onze ICG-beeldvormingsstrategie maakt het mogelijk om RPE-cellen snel en routinematig in de kliniek te beoordelen”, zegt Joanne Li, Ph.D., eerste auteur van het rapport en biomedisch ingenieur in het laboratorium van Tam. “Met AI kunnen binnen enkele seconden hoogwaardige beelden van RPE-cellen worden verkregen met behulp van standaard klinische beeldvormingshulpmiddelen.”

De functie van RPE-cellen is het voeden en ondersteunen van fotoreceptoren. Een verscheidenheid aan verblindingsomstandigheden heeft aanvankelijk invloed op RPE-cellen, waaronder leeftijdsgebonden maculaire degeneratie, vitelliforme maculaire dystrofie en de ziekte van Stargardt. RPE-cellen kunnen echter niet eenvoudig in beeld worden gebracht in de kliniek. AI-ondersteunde ICG-oftalmoscopie brengt RPE-beeldvorming binnen het bereik van de typische oogkliniek. ##

Bronnen: