深度学习增强了人体血管系统的体积度光声学成像
Wenhan Zheng1, Huijuan Zhang1, Chuqin Huang1
1Department of Biomedical Engineering, University at Buffalo, The State University of New York, Buffalo, New York, NY, 14260, USA.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|August 2, 2023
概括
这项研究引入了用于光声学断层扫描的3D全密度U网,增强了3D血管成像. 深度学习算法提高了图像质量,并减少了用于更好的临床应用的文物.
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) 对于高分辨率成像至关重要.
- 深度学习 (DL) 在PAT图像处理中表现有前途.
- 目前用于3D PAT的DL方法受到计算需求的限制.
研究的目的:
- 为线性数组PAT开发一个高效的3D深度学习算法.
- 为了克服3D PAT图像重建中的计算和内存限制.
- 提高PAT中3D血管成像的质量和诊断效用.
主要方法:
- 实现一个3D完全密集的 (3DFD) U-net架构.
- 使用体积模拟来生成训练数据.
- 应用混合精度训练来提高计算效率.
- 通过数值模拟,幻影研究和体内人体成像进行验证.
主要成果:
- 3DFD U-net准确地恢复了对象的尺寸,并减少了噪音和文物.
- 在深层组织区域实现了增强的对比度.
- 船舶可视化得到了改进,克服了有限视野扭曲.
- 从人类受试者 (手掌,手臂,乳房,脚) 获得了清晰的3D血管图像.
结论:
- 3DFD U-net显著改善了光声断层扫描中的3D血管成像.
- 增强的图像质量支持生物识别,糖尿病足和乳腺癌检测中的应用.
- 这种算法对临床前和临床PAT应用具有很大的潜力.
