自主监督的混合神经网络,以实现用于癌症研究的定量生物发光断层扫描
Beichuan Deng1,2, Zhishen Tong1, Xiangkun Xu1
1Biomedical Imaging and Radiation Technology Laboratory (BIRTLab), Department of Radiation Oncology, UT Southwestern Medical Center, Dallas, Texas, USA.
Biomedical optics express
|November 18, 2024
概括
一个新的自我监督的混合神经网络 (SHyNN) 增强了癌症研究的3D生物发光断层扫描 (BLT). SHyNN 改善了瘤定位和体积估计,特别是在有噪声数据的情况下,其表现优于传统方法.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 机器学习在医学中的应用
背景情况:
- 生物发光断层扫描 (BLT) 为癌症治疗开发重建组织中的3D生物发光活动.
- 传统的BLT面临着由于错误设置的问题和数据噪声的计算挑战.
- 准确的瘤定位和体积估计对于评估癌症治疗非常重要.
研究的目的:
- 引入一种新的自我监督混合神经网络 (SHyNN),以改进BLT重建.
- 为了解决传统BLT的不良性质和数据噪声挑战.
- 为了提高癌症研究3D生物发光断层扫描的准确性和稳定性.
主要方法:
- 开发了一个自我监督的混合神经网络 (SHyNN),集成基于模型和机器学习的方法.
- 设计了SHyNN的网络结构和融合路径,以减轻不良状态的影响.
- 在各种疾病部位使用模拟和体内数据验证了SHyNN.
主要成果:
- 与传统的重建方法相比,SHyNN显示出更高的性能.
- 在瘤定位,体积估计和多瘤分化方面表现优于传统方法,特别是在高噪音条件下.
- 实现了准确而强大的3D生物发光重建.
结论:
- 拟议的SHyNN有效地克服了传统BLT的局限性.
- 在癌症研究中,SHyNN显示了定量生物发光断层扫描的巨大潜力.
- 这种方法为3D瘤成像和分析提供了强大的解决方案.
