[ad_1]

اکسیژن رسانی بافت اندازه گیری سطح اکسیژن در بافت بیولوژیکی است و یک نشانگر زیستی بالینی مفید برای زنده ماندن بافت است. سطح غیر طبیعی می تواند وجود شرایطی مانند سپسیس ، دیابت ، عفونت ویروسی یا بیماری ریوی را نشان دهد و نظارت موثر برای مدیریت جراحی و همچنین مراقبت های پزشکی مهم است.

چندین روش برای اندازه گیری اکسیژن رسانی بافت وجود دارد ، اما همه آنها محدودیت هایی دارند. به عنوان مثال ، پالس اکسی متری پایدار و ارزان است ، اما نمی تواند اندازه گیری موضعی اکسیژن را ارائه دهد. از طرف دیگر ، طیف سنجی مادون قرمز ، به دلیل داشتن پروب های تماسی حساس به فشار ، مستعد اندازه گیری های پر سر و صدا است. تصویربرداری از دامنه فرکانس فضایی (SFDI) به عنوان یک روش غیر تماسی امیدوار کننده ظاهر شده است که غلظت اکسیژن بافت را در یک میدان دید وسیع ترسیم می کند. اگرچه پیاده سازی آن آسان است ، SFDI محدودیت های خاص خود را دارد: برای دقیق جلوه دادن آن به دنباله ای از چندین عکس نیاز دارد و هنگام کار با عکسهای فوری مستعد خطا است.

در یک مطالعه جدید منتشر شده در مجله اپتیک های زیست پزشکی، محققان دانشگاه جان هاپکینز ، میسون تی چن و نیکلاس جی. Dur ، یک تکنیک کامل برای محاسبه دقیق اکسیژناسیون بافت از تصاویر منفرد ، به نام OxyGAN پیشنهاد کرده است. آنها این رویکرد را با استفاده از یک کلاس از چارچوب یادگیری ماشین موسوم به یک شبکه مسابقه ای تولید مشروط (cGAN) توسعه دادند ، که از دو شبکه عصبی – یک مولد و یک تبعیض – به طور همزمان بر روی داده های ورودی یکسان استفاده می کند. ژنراتور یاد می گیرد که تصاویر خروجی واقع بینانه ایجاد کند ، در حالی که تفکیک می کند تعیین کند که آیا یک جفت عکس داده شده بازسازی صحیح ورودی خاصی را تشکیل می دهد.

محققان با استفاده از SDFI معمولی نقشه هایی از اکسیژن رسانی مری انسان بدست آوردند (ex vivo) ، دستها و پاها (در داخل بدن) و روده بزرگ خوک (در داخل بدن) تحت نور با دو طول موج مختلف (659 و 851 نانومتر). آنها OxyGAN را با نمونه های پا و مری آموزش دادند و نمونه های بازو و روده بزرگ را ذخیره کردند تا بعداً مشخصات آن را آزمایش کنند. آنها همچنین عملکرد آن را با یک تک تک تصویر مبتنی بر یک مدل فیزیکی و یک روش ترکیبی دو مرحله ای متشکل از یک مدل آموزش عمیق برای پیش بینی خواص نوری و یک مدل فیزیکی برای محاسبه اکسیژناسیون بافت مقایسه کردند.

محققان دریافتند که OxyGAN می تواند اکسیژن رسانی را به طور دقیق اندازه گیری کند ، نه تنها برای نمونه هایی که در طول تمرین دیده است (پاهای انسان) ، بلکه همچنین برای نمونه هایی که او مشاهده نکرده است (دست انسان و روده بزرگ) ، قدرت مدل را نشان می دهد. عملکرد آن به ترتیب با 24.9٪ و 24.7٪ بهتر از مدل تک شات و مدل هیبریدی بود. علاوه بر این ، دانشمندان OxyGAN را برای محاسبه ~ 10 برابر سریعتر از مدل ترکیبی بهینه کردند و اجازه نقشه برداری در زمان واقعی 25 هرتز را دادند. فردریک لبلون ، دستیار سردبیر مجله اپتیک های زیست پزشکی، نظرات ، “این مقاله نه تنها پیشرفت قابل توجهی را نشان می دهد که می تواند به کاربرد عملی بالینی تصویربرداری با فرکانس فضایی کمک کند ، بلکه همچنین بخشی از یک مجموعه نسبتاً کوچک (اگرچه به سرعت در حال افزایش است) از کارهای منتشر شده قابل اعتماد خواهد بود ، با استفاده از روش های نوع AI برای مقابله با داده های واقعی از نوری زیست پزشکی. “

اگرچه الگوریتم OxyGAN می تواند بیشتر بهینه شود ، اما این روش نوید می دهد که یک روش جدید برای اندازه گیری اکسیژن رسانی بافت است.

منبع تاریخچه:

مواد تهیه شده توسط SPIE – انجمن بین المللی نوری و فوتونیک. توجه: مطالب را می توان از نظر سبک و طول ویرایش کرد.

[ad_2]

منبع: khabar-erfan.ir