Forscher am Beckman Institute for Advanced Science and Technology haben eine neue Technik entwickelt, um die Ultraschalllokalisationsmikroskopie, ein aufstrebendes diagnostisches Werkzeug für hochauflösende Mikrovaskulärimaging, in klinischen Umgebungen praktikabler zu gestalten. Ihre Methode verwendet Deep Learning, um im Post-Processing-Pipeline von ULM voranzukommen. Ihre Technik, genannt LOcalization with Context Awareness Ultrasound Localization microscopy, oder LOCA-ULM, erscheint in der Zeitschrift Nature Communications. YiRang Shin, Erstautor und Doktorand am Department of Electrical and Computer Engineering an der University of Illinois Urbana-Champaign, äußerte sich begeistert über die Verbesserung von ULM, um diese Technologie für mehr Menschen zugänglich zu machen. Er betonte, dass Deep-Learning-basierte rechnergestützte Bildgebungswerkzeuge eine wichtige Rolle bei der Erweiterung der räumlichen und zeitlichen Auflösungsgrenzen von ULM spielen werden.
Die Ultraschalllokalisationsmikroskopie funktioniert, indem Mikroblasen in Blutgefäße injiziert werden, wo sie als Kontrastmittel fungieren. Diese Mikroblasen, die von der FDA für die klinische Anwendung zugelassen sind, dienen dazu, den Blutfluss zu verfolgen und räumliche Bilder von Blutgefäßen im Mikrometerbereich zu erstellen. Die Forscher haben nun eine neue Methode entwickelt, die eine höhere Bildleistung und Verarbeitungsgeschwindigkeit, eine erhöhte Empfindlichkeit für funktionelle ULM und insgesamt eine überlegene In-vivo-Bildgebung zeigt. Diese Methode zeigt zudem eine verbesserte rechnerische und Mikroblasen-Lokalisationsleistung und ist an verschiedene Mikroblasenkonzentrationen anpassbar. Um die Lokalisation der Mikroblasen schneller, genauer und effizienter zu machen, haben die Forscher ein Simulationsmodell entwickelt, das auf einem generativen adversariellen Netzwerk namens GAN basiert.
Der Artikel mit dem Titel “Context-aware deep learning enables high-efficiency localization of high concentration microbubbles for super-resolution ultrasound localization microscopy” ist unter https://doi.org/10.1038/s41467-024-47154-2 abrufbar. Pengfei Song, Assistant Professor für Bioengineering und Biomedical and Translational Sciences am Beckman Institute und Affiliate des Carl R. Woese Institute for Genomic Biology und des Cancer Center an der Illinois-Universität, äußerte sich ebenfalls positiv über die neue Methode. Weitere Mitautoren sind Matthew R. Lowerison, Yike Wang, Xi Chen, Qi You, Zhijie Dong und Mark A. Anastasio.