光声学数字大脑和深度学习辅助的图像重建

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 计算成像技术的成像

背景情况:

• 光声断层扫描 (PAT) 为医学成像提供高光学对比度和深度透.
• 最近PAT在人脑成像中的应用受到骨诱导的声学减弱和偏差的阻碍.
• 这些扭曲会降低光声信号的质量,使精确的图像重建变得复杂.

研究的目的:

• 开发和验证一种深度学习方法来纠正人类大脑的光声学断层扫描中的头骨诱导的声学偏差.
• 通过减轻信号扭曲,提高PAT脑图像的质量和诊断效用.

主要方法:

• 从180个MRI和MRA数据集生成2D数值人类大脑幻影,包括头皮,头骨,白质,灰质,血管和脑脊液.
• 基于蒙特卡洛的光学模拟以确定初始光声压力,随后使用流体和粘弹性模型进行k波声学模拟以模拟引起的偏差.
• 训练一个U-net深度学习模型,使用异常的光声学音标作为输入和骨剥离信号作为监督来学习异常校正.

主要成果:

• 该U-net模型有效地缓解了由头骨引起的声学偏差.
• 在重建的PAT人类大脑图像的质量方面取得了显著的改进.
• 经过校正的图像清楚地可视化了头骨内的脑动脉分布.

结论:

• 基于深度学习的头骨诱导声学偏差的纠正是增强PAT脑成像的可行策略.
• 这种方法有望通过使用PAT改善脑血管结构的可视化.
• U-net方法提供了一个强大的工具,可以克服应用PAT对人类大脑成像的关键局限性.