Thursday, December 9, 2021

筑波大学COG研究紹介:研究室に参加したい皆さんへ

 私達の研究室「Computational Optics Group」(筑波大学安野研究室)への参加を希望する皆さんへ向けた研究室・研究紹介ビデオを公開します。

先日公開したセミナービデオの内容を40分程度に抜粋したものです。(冒頭に安野からのメッセージが追加され、解説は新たに取り直されています。)研究室参加に興味のある方はぜひご覧ください。(すでにセミナービデオをご覧になった方は冒頭のメッセージだけでもどうぞ。)



Publication: How dense is the tissue? Deep learning reveals the particle density of tissue

 
Our colleague Praew, Thitiya Seesan recently reported a new deep-learning based framework for estimating the scatterer density of a tissue. In this framework, a tissue is imaged by optical coherence tomography (OCT). A small patch of the OCT image, which is dominated by a small granular pattern so-called ``speckle,'' is processed by a deep-convolved neural network (DCNN). And the DCNN estimates the density of the scatterer in the sample. 

Since cell organelles are the major scatterer in the tissue, the scatterer density estimation can assesses the integrity of the tissue.

In general, DCNN needs to be trained with a huge dataset. Praew made a wave-optics based OCT image formation simulator, which synthesized a vast number of virtual OCT images. It is used to train the DCNN. Since the training dataset was obtained without experiments, this framework enables highly accurate DCNN-based scatterer density estimator with nearly negligible cost.

The details of this frame work are published in Biomedical Optics Express.

T. Seesan, I.A. El-Sadek, P. Mukherjee, L. Zhu, K. Oikawa, A. Miyazawa, L.T.W. Shen, S. Matsusaka, P. Buranasiri, S. Makita, and Y. Yasuno, "Deep convolutional neural network-based scatterer density and resolution estimators in optical coherence tomography," Biomed. Opt. Express 13, 168-183 (2022).

>> Full-length article (open access)

私達の研究室の Praew (Thitiya Seesan)さんが深層学習ニューラルネットワークを用いて整体組織の散乱体密度を計測する新たなフレームワークについて論文を発表しました。このフレームワークでは、組織はまずOCT(光コヒーレンストモグラフィー)でイメージングされます。OCT画像を拡大してみると、それが「スペックル」と呼ばれる小さな顆粒状のパターンで構成されていることがわかります。Praewさんの開発したニューラルネットワークは、この顆粒状のパターンを処理して組織の中の散乱体密度を割り出します。

組織内の散乱体とは、例えば、細胞内小器官のことです。ですので、このフレームワークで組織内の散乱体密度を計測することで、組織の特性、正常性・異常性を評価することが可能になります。

一般的に、ニューラルネットワークをトレーニングするには大量の実験データ(OCT画像)が必要とされます。Praewさんは波動光学に基づいたOCT画像シミュレータを開発し、それによりニューラルネットワークをトレーニングするための大量の疑似OCT画像を生成することに成功しました。これにより、実験を行うことなく、極めて低コストで高精度にニューラルネットワークをトレーニングすることが可能になりました。

この研究の詳細は Optica の論文誌 Biomedical Optics Express に掲載されています。

T. Seesan, I.A. El-Sadek, P. Mukherjee, L. Zhu, K. Oikawa, A. Miyazawa, L.T.W. Shen, S. Matsusaka, P. Buranasiri, S. Makita, and Y. Yasuno, "Deep convolutional neural network-based scatterer density and resolution estimators in optical coherence tomography," Biomed. Opt. Express 13, 168-183 (2022).

>> Full-length article (open access)