Un modelo de aprendizaje profundo físico que se puede aprender para la tomografía fotoacústica de vista limitada

Área de la Ciencia:

• Imágenes biomédicas
• Física médica
• Inteligencia artificial

Sus antecedentes:

• Los sistemas de tomografía fotoacústica (PAT) generalmente requieren extensas matrices de transductores para imágenes clínicas de alta calidad.
• La fabricación de estas matrices es costosa y limita las aplicaciones clínicas.
• Los escasos algoritmos de reconstrucción pueden reducir potencialmente las demandas de hardware.

Objetivo del estudio:

• Desarrollar un nuevo modelo de aprendizaje profundo para la reconstrucción de imágenes fotoacústicas utilizando datos escasos y de vista limitada.
• Para aliviar el costo de fabricación y la complejidad asociada con extensas matrices de transductores fotoacústicos.

Principales métodos:

• Se diseñó un modelo de aprendizaje profundo físico para la reconstrucción de imágenes fotoacústicas.
• El modelo procesa las señales adquiridas por escasos elementos de matriz fotoacústica.
• El rendimiento se evaluó mediante simulaciones numéricas y experimentos in vivo.

Principales resultados:

• El modelo de aprendizaje profundo logró una reconstrucción de tomografía fotoacústica de alta calidad y libre de artefactos a partir de señales escasas.
• Incluso con datos extremadamente escasos (16 detectores, 155 grados), se obtuvieron resultados significativos.
• La reconstrucción arrojó una similitud estructural de 0.728 ± 0.029 y una relación pico señal-ruido de 20.700 ± 2.404 dB.

Conclusiones:

• El modelo de aprendizaje físico profundo propuesto reconstruye efectivamente imágenes fotoacústicas a partir de datos escasos.
• Este enfoque ofrece una solución rentable y flexible para la tomografía fotoacústica clínica.
• Los hallazgos demuestran el potencial de la IA en el avance de las imágenes fotoacústicas de visión escasa.