We demonstrate the use of gold nanorods as bright contrast agents for two-photon luminescence (TPL) imaging of cancer cells in a three-dimensional tissue phantom down to 75 μm deep. The TPL intensity from gold-nanorod-labeled cancer cells is 3 orders of magnitude brighter than the two-photon autofluorescence (TPAF) emission intensity from unlabeled cancer cells at 760 nm excitation light. Their strong signal, resistance to photobleaching, chemical stability, ease of synthesis, simplicity of conjugation chemistry, and biocompatibility make gold nanorods an attractive contrast agent for two-photon imaging of epithelial cancer.

Nuclei mymargin segmentation is a fundamental task for various computational pathology applications including nuclei morphology analysis, cell type classification, and cancer grading. Deep learning has emerged as a powerful approach to segmenting nuclei but the accuracy of convolutional neural networks (CNNs) depends on the volume and the quality of labeled histopathology data for training. In particular, conventional CNN-based approaches lack structured prediction capabilities, which are required to distinguish overlapping and clumped nuclei. Here, we present an approach to nuclei segmentation that overcomes these challenges by utilizing a conditional generative adversarial network (cGAN) trained with synthetic and real data. We generate a large dataset of H&E training images with perfect nuclei segmentation labels using an unpaired GAN framework. This synthetic data along with real histopathology data from six different organs are used to train a conditional GAN with spectral normalization and gradient penalty for nuclei segmentation. This adversarial regression framework enforces higher-order spacial-consistency when compared to conventional CNN models. We demonstrate that this nuclei segmentation approach generalizes across different organs, sites, patients and disease states, and outperforms conventional approaches, especially in isolating individual and overlapping nuclei.

To realize the full potential of deep learning for medical imaging, large annotated datasets are required for training. Such datasets are difficult to acquire because labeled medical images are not usually available due to privacy issues, lack of experts available for annotation, underrepresentation of rare conditions and poor standardization. Lack of annotated data has been addressed in conventional vision applications using synthetic images refined via unsupervised adversarial training to look like real images. However, this approach is difficult to extend to general medical imaging because of the complex and diverse set of features found in real human tissues. We propose an alternative framework that uses a reverse flow, where adversarial training is used to make real medical images more like synthetic images, and hypothesize that clinically-relevant features can be preserved via self-regularization. These domain-adapted images can then be accurately interpreted by networks trained on large datasets of synthetic medical images. We test this approach for the notoriously difficult task of depth-estimation from endoscopy. We train a depth estimator on a large dataset of synthetic images generated using an accurate forward model of an endoscope and an anatomically-realistic colon. This network predicts significantly better depths when using synthetic-like domain-adapted images compared to the real images, confirming that the clinically-relevant features of depth are preserved.

Aim: To assess the quality of eyeglass prescriptions provided by an affordable wavefront autorefractor operated by a minimally-trained technician in a low-resource setting. Methods: 708 participants were recruited from consecutive patients registered for routine eye examinations at Aravind Eye Hospital in Madurai, India, or an affiliated rural satellite vision centre. Visual acuity (VA) and patient preference were compared for eyeglasses prescribed from a novel wavefront autorefractor versus eyeglasses prescribed from subjective refraction by an experienced refractionist. Results: Mean ± standard deviation VA was 0.30 ± 0.37, -0.02 ± 0.14, and -0.04 ± 0.11 LogMAR units before correction, with autorefractor correction, and with subjective refraction correction, respectively (all differences P < 0.01). Overall, 25% of participants had no preference, 33% preferred eyeglasses from autorefractor prescriptions, and 42% preferred eyeglasses from subjective refraction prescriptions (P < 0.01). Of the 438 patients 40 years old and younger, 96 had no preference and the remainder had no statistically-significant difference in preference for subjective refraction prescriptions (51%) versus autorefractor prescriptions (49%) (P = 0.52). Conclusions: Average VAs from autorefractor-prescribed eyeglasses were one letter worse than those from subjective refraction. More than half of all participants either had no preference or preferred eyeglasses prescribed by the autorefractor. This marginal difference in quality may warrant autorefractor-based prescriptions, given the portable form-factor, short measurement time, low-cost, and minimal training required to use the autorefractor evaluated here.

Intracranial pressure (ICP) is commonly monitored to guide treatment in patients with serious brain disorders such as traumatic brain injury and stroke. Established methods to assess ICP are resource intensive and highly invasive. We hypothesized that ICP waveforms can be computed noninvasively from three extracranial physiological waveforms routinely acquired in the Intensive Care Unit (ICU): arterial blood pressure (ABP), photoplethysmography (PPG), and electrocardiography (ECG). We evaluated over 600 hours of high-frequency (125 Hz) simultaneously acquired ICP, ABP, ECG, and PPG waveform data in 10 patients admitted to the ICU with critical brain disorders. The data were segmented in non-overlapping 10-second windows, and ABP, ECG, and PPG waveforms were used to train deep learning (DL) models to re-create concurrent ICP. The predictive performance of six different DL models was evaluated in single- and multi-patient iterations. The mean average error (MAE) ±SD of the best-performing models was 1.34 ± 0.59 mmHg in the single- patient and 5.10 ± 0.11 mmHg in the multi-patient analysis. Ablation analysis was conducted to compare contributions from single physiologic sources and demonstrated statistically indistinguishable performances across the top DL models for each waveform (MAE±SD 6.33 ± 0.73, 6.65 ± 0.96, and 7.30 ± 1.28 mmHg, respectively, for ECG, PPG, and ABP; p= 0.42). Results support the preliminary feasibility and accuracy of DL-enabled continuous noninvasive ICP waveform computation using extracranial physiological waveforms. With refinement and further validation, this method could represent a safer and more accessible alternative to invasive ICP, enabling assessment and treatment in low-resource settings.

Abstract Breast cancer rates are rising in low- and middle-income countries (LMICs), yet there is a lack of accessible and cost-effective treatment. As a result, the cancer burden and death rates are highest in LMICs. In an effort to meet this need, our work presents the design and feasibility of a low-cost cryoablation system using widely-available carbon dioxide as the only consumable. This system uses an 8-gauge outer-diameter needle and Joule-Thomson expansion to percutaneously necrose tissue with cryoablation. Bench top experiments characterized temperature dynamics in ultrasound gel demonstrated that isotherms greater than 2 cm were formed. Further, this system was applied to mammary tumors in an in vivo rat model and necrosis was verified by histopathology. Finally, freezing capacity under a large heat load was assessed with an in vivo porcine study, where volumes of necrosis greater than 1.5 cm in diameter confirmed by histopathology were induced in a highly perfused liver after two 7-minute freeze cycles. These results demonstrate the feasibility of a carbon-dioxide based cryoablation system for improving solid tumor treatment options in resource-constrained environments.

Abstract To investigate the potential of an affordable cryotherapy device for accessible treatment of breast cancer, the performance of a novel carbon dioxide-based device was evaluated through both benchtop and in vivo canine models. This novel device was quantitatively compared to a commercial device that utilizes argon gas as the cryogen. The thermal behavior of each device was characterized through calorimetry and by measuring the temperature profiles of iceballs generated in tissue phantoms. A 45-minute treatment from the carbon dioxide device in a tissue phantom produced a 1.67 ± 0.06 cm diameter lethal isotherm that was equivalent to a 7-minute treatment from the commercial argon-based device which produced a 1.53 ± 0.15 cm diameter lethal isotherm. In vivo validation was performed with the carbon dioxide-based device in one spontaneously occurring canine mammary mass with two standard 10-minutes freezes. Following cryotherapy, this mass was surgically resected and analyzed for necrosis margins via histopathology. The histopathology margin of necrosis from the in vivo treatment with the carbon dioxide device at 14 days post cryoablation was 1.57 cm. While carbon dioxide gas has historically been considered an impractical cryogen due to its low working pressure and high boiling point, this study shows that carbon dioxide-based cryotherapy may be equivalent to conventional argon-based cryotherapy in the size of the ablation zone in a standard treatment time. The validation of the carbon dioxide device performed in this study is an important step towards bringing accessible breast cancer treatment to women in low-resource settings.