适应性机器学习方法用于基于稀疏阵列传感器数据的光声学计算机断层扫描

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 医疗技术 医疗技术 医学技术

背景情况:

• 光声学计算机断层扫描 (PACT) 是一种快速发展的非侵入性成像技术,具有早期疾病诊断的潜力.
• 高元素密度探测器阵列对于高质量的PACT图像至关重要,但通常受到成本,制造和系统限制的限制.
• 在PACT中稀缺的探测器阵列可能会导致文物和图像质量降低.

研究的目的:

• 开发一种自适应机器学习方法,用于从稀疏阵列采样中预测和补充光声传感器通道数据.
• 通过解决数据稀疏性和文物,提高重建的PACT图像的质量.
• 为PACT成像提供一个具有成本效益和用户友好的解决方案.

主要方法:

• 开发了一个结合XGBoost和神经网络 (SS-net) 的自适应机器学习模型.
• 使用可调节的参数来平衡XGBoost和SS-net输出,增强跨不同数据集大小的概括性.
• 该方法在图像重建之前预测和补充稀疏的光声传感器数据.

主要成果:

• 拟议的方法在模拟,幻影和体内实验中表现出卓越的性能.
• 与现有方法相比,在结构相似性指数测量 (SSIM) 和R平方值方面观察到显著改善.
• 具体来说,SSIM增加了高达21.46%和中位数R2高达84.1%的体内数据.

结论:

• 开发的模型有效地预测了PACT中稀疏的环状数组中缺少的光声传感器数据.
• 该方法显著抑制了文物,并提高了图像质量,而不是线性互插和深度学习的替代方案.
• 这种方法不需要大型预训练的图像数据集,直接使用传感器数据,并且对临床PACT应用具有广泛的潜力.