Our colleague, Thitiya “Praew” Seesan, recently demonstrated a new deep learning-based tissue scatterer density estimator, which enables significantly improved estimation accuracy.
The sub-resolution scatterer density is believed to be sensitive to tissue abnormality, and hence is expected to be a strong biomarker for the early detection of several diseases. However, there had been no way to measure the scatterer density. In 2022, Praew introduced a convolutional neural network for this problem. The neural network analyzes the local spatial pattern (i.e., speckle) of optical coherence tomography and estimates the scatterer density.
There was a chicken-and-egg problem. The neural network should be trained by a set of speckle patterns and its ground-truth scatterer density. However, there was no way to know the scatterer density. Praew solved this problem by developing a numerical speckle simulator that can generate millions of speckle patterns with an arbitrary (i.e., known) set of ground truth scatterer densities. Although this method was successful, there was a residual problem: the estimator exhibits systemic estimation error if the scatterer density is low (and hence signal-to-noise ratio is low).
This time, Praew solved this issue by introducing a newly designed theoretical noise model into the speckle simulation. This noise model is, to the best of our knowledge, the first model of OCT that accurately represents the spatial properties of all types of noises exhibiting in OCT. The introduction of this noise model vastly improved the estimation accuracy. Hence, we believe the scatterer density estimator here is going to be a useful tool for the early detection of tissue abnormality.
The details of this research is reported in Biomedical Optics Express.
Citation: T. Seesan, P. Mukherjee, I.A. El-Sadek, Y. Lim, L. Zhu, S. Makita, and Y. Yasuno, “Optical-coherence-tomography-based deep-learning scatterer-density estimator using physically accurate noise model,” Biomed. Opt. Express 15, 2832-2848 (2024). https://doi.org/10.1364/BOE.519743
私たちの研究室の Thitiya Seesan (Praew) さんが大幅な推定精度向上を可能にする新しいdeep-learning を用いたディープラーニングベースの生体組織の散乱体密度推定器の実現に成功しました。
イメージング分解能以下の散乱体密度は組織異常の影響を強く受けるため、様々な疾患の早期検出のためのバイオマーカーと考えられています。しかし、これまで散乱体密度を測定する方法はありませんでした。2022年、Praewさんはこの問題を解決するために畳込みニューラルネットワークを導入しました。この ニューラルネットワークは、光コヒーレンストモグラフィー(OCT)の局所空間パターン（すなわち、スペックル）を分析し、散乱体密度を推定します。
しかし、ここに「ニワトリとたまご」の問題がありました。ニューラルネットワークはスペックルパターンとその背後にある散乱体密度（真値）をセットにしてトレーニングする必要があります。しかし、この散乱体密度を知る方法はありません。Praew さんは、数値的な「スペックルシミュレータ」を開発することでこの問題を解決しました。このシミュレータは、任意に設定した散乱体密度をもとにスペックルを生成することができます。この生成したスペックルによりニューラルネットワークのトレーニングが可能です。この方法は成功しましたが、まだ残る問題がありました。散乱体密度が低い場合（したがって、信号対ノイズ比が低い場合）、推定に系統的な推定誤差が生じます。
今回、Praewさんは、この問題を解決するために、新たに開発した理論的なノイズモデルをスペックルシミュレーションに導入しました。このノイズモデルは、私たちの知る限り、OCTで発生するすべての種類のノイズの空間的特性を正確に表現する最初のモデルです。このノイズモデルの導入により、推定精度が大幅に向上しました。私たちはこの散乱体密度推定器が組織の異常の早期検出に貢献するものと期待しています。
この研究の詳細は米光学会の研究誌 Biomedical Optics Express に掲載されています。
Citation: T. Seesan, P. Mukherjee, I.A. El-Sadek, Y. Lim, L. Zhu, S. Makita, and Y. Yasuno, “Optical-coherence-tomography-based deep-learning scatterer-density estimator using physically accurate noise model,” Biomed. Opt. Express 15, 2832-2848 (2024). https://doi.org/10.1364/BOE.519743
（この記事の日本語版は ChatGPT 3.5で英語版から翻訳したものを一部修正したものです。）