在使用基于数字乳房幻影的Res-UNet的3D光声学成像中减轻不足采样人工物
Haoming Huo1, Handi Deng1, Jianpan Gao1
1Beijing National Research Center for Information Science and Technology, Department of Electronic Engineering, Tsinghua University, Beijing 100084, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
这项研究引入了深度神经网络 (DNN),以改善3D光声学 (PA) 乳腺成像质量,尽管数据有限. DNN有效地减少了样本不足的文物,提高了早期乳腺癌检测能力.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医学物理 医学物理
- 人工智能的人工智能
背景情况:
- 光声学成像 (PA) 提供了使用3D半球阵列的非侵入性乳腺癌查.
- 系统开发受到有限的患者数据,基准真相样本和因高成本而不足的样本挑战.
- 现有的解决方案通常依赖于2D数组或简化的幻影,限制了3D成像的准确性.
研究的目的:
- 开发一种有效的深度神经网络 (DNN) 方法,用于在3D光声学乳房成像中去除样本不足的文物.
- 通过使用数值数字乳房模拟,从稀少采样数据中重建高质量的PA图像.
- 加速3D光声半球传感器阵列的开发,用于早期诊断乳腺癌.
主要方法:
- 基于人体解剖学和物理特性的3D数字乳房幻影的构建.
- 3D蒙特卡洛和K波声学模拟用于模拟半球变频器阵列的声学传播.
- 应用3D延迟和和算法和Res-UNet深度神经网络用于图像重建.
主要成果:
- 使用757nm激光实现了3厘米的成像深度,空间分辨率为0.25毫米.
- DNN显著提高了图像质量 (MS-SSIM高达78.4%),并减少了工件 (PSNR高达19.0%),采样不足率为10%.
- 图像重建后处理时间很快,仅为0.6秒.
结论:
- 一种新的3D实时DNN方法有效地解决了使用数值模拟的光声学乳房成像中的稀疏采样问题.
- 这种方法有可能应用于临床数据,改善早期乳腺癌检测的3D光声学成像.
- 该方法促进了临床使用的3D光声学半球传感器阵列的发展.
