筑波，日本——扩散光学断层扫描（DOT）是一种安全、非侵入式的成像技术，利用近红外光进行成像，近年来作为识别脑出血和恶性肿瘤等疾病异常的诊断方法而受到越来越多的关注。该技术通过用近红外光照射生物组织来检测内部异常，不会造成辐射暴露或组织损伤。然而，高诊断准确性依赖于求解模拟组织内光传播的辐射传输方程。由于这些数值模拟每次计算可能需要数小时，因此将此方法用于实时诊断仍然面临挑战。
为了消除计算密集型模拟，本研究引入了一种基于神经网络的机器学习模型，作为超快速模拟器。该模型在大量模拟数据上进行训练，能够根据异常区域的位置和大小预测在测量点检测到的时域光信号。该模型展现出强大的泛化能力，即使对于未见过的参数组合也能准确重现信号，其准确性仅受限于训练数据中的噪声水平。每次推理仅需约2毫秒，与传统模拟方法相比，速度提高了超过一百万倍。这种显著的加速使得能够高效探索诊断分析所需的庞大参数空间。
此外，通过将AI模型与统计采样技术相结合，研究人员能够从光信号准确估计异常区域的位置和大小。这些发现突显了该模型作为脑出血和肿瘤实时诊断的有前景的基础工具的价值。
研究支持
本研究得到了MEXT/JSPS KAKENHI资助项目编号21H04489和JST FOREST项目编号JP-MJFR202Z以及青年研究人员战略专业发展计划TRiSTAR fellow的支持。
原始论文
论文标题：用于时域扩散光学断层扫描的神经网络信号预测开发
期刊：《生物医学工程快报》
DOI：10.1007/s13534-026-00578-9
联系方式
HORIE, Shu 研究员
YAJIMA, Hidenobu 教授
筑波大学计算科学中心
相关链接
筑波大学计算科学中心
【全文结束】