有效的光声图像合成与深度学习

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 光声学成像可以实时可视化功能性组织参数,如氧化.
• 在光声成像中量化这些参数是具有挑战性的.
• 深度学习 (DL) 显示出解决这个问题的希望,但缺乏有效的培训和验证方法.

研究的目的:

• 研究DL的使用,以准确有效地模拟生物组织中的光子传播.
• 为了使用DL模型实现光声学图像合成.
• 开发可反向传播的神经网络,以改善光声成像中的量化.

主要方法:

• 开发了使用神经网络 (U-Net和福利埃神经运算器) 的DL方法,以估计从光学属性的初始压力分布.
• 在合成数据上训练模型,模拟光子传播.
• 使用in silico多光谱人类前臂图像验证的性能,与蒙特卡洛模拟进行比较.

主要成果:

• 与标准蒙特卡洛模拟相比,DL方法在图像生成中实现了100倍的加快速度.
• 无论是U-Net还是Fourier神经运算子 (FNO) 模型都表现出高精度,FNO的表现略高于U-Net.
• DL模型作为可分化的替代模型,在光声图像合成管道中实现基于梯度的优化.

结论:

• DL模型可以准确有效地模拟光子传播,用于光声图像合成.
• DL方法的效率允许大规模的训练数据生成,可能加速光声成像的临床翻译.
• 可差异化的DL模型在光声成像工作流程中为错误反向传播和优化提供了优势.