深入學習有助于改善乳腺癌影像學

研究人員開發了Z-Net深度學習算法，用于結合光譜和MRI數據實時重建圖像。這將有助于更好地篩查和診斷乳腺癌。在光學研究人員，描述了算法以及它如何與一個結合了光學光譜信息、和無對比度磁共振成像（MRI）的成像平臺一起工作，以提高對乳房癌癥。

“我們開發的近紅外光譜層析成像（NIRST）和MRI成像平臺，顯示出了希望，但所需的時間和精力，阻止了它被轉化為日常的臨床工作流程，”來自達特茅斯學院的研究小組的負責人基思·保爾森說。

因此，我們設計了一個深度學習算法，它結合了來自MRI的解剖圖像數據，來指導NIRST圖像的形成，而不需要復雜的光在組織中傳播的建模。

目前，動態增強MRI（DCE）被公認為乳腺癌敏感的檢測方法。然而，DCE-MRI需要靜脈注射造影劑，并且有很大的假陽性率。盡管非對比度MRI引導NIRST，提供了一種不需要注入對比劑或電離輻射的替代方案，但是重建組合圖像需要復雜的光傳播模型、以及耗時的MRI圖像分析。

研究人員使用深度學習使圖像重建過程更快。深度學習是一種機器學習方法，它以類似人腦運作的方式在信息片段之間建立聯系，允許研究人員訓練他們的算法來識別模式和復雜的關系。