信号域适应网络用于有限视野光声断层扫描

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 声学 声学 在声学方面

背景情况:

• 光声学 (OA) 成像依赖于从激光激发的组织中检测超声波 (US),图像质量取决于US检测器的覆盖范围.
• 传感器阵列的有限角度覆盖导致OA图像中的工件,特别是在混合OA/US系统和手持探测器中.
• 当前的深度学习方法经常与实验数据扎,原因是依赖模拟数据集和缺乏基本真相.

研究的目的:

• 开发一种深度学习方法,从有限视图数据中改进光声学图像重建.
• 为了解决模拟和实验OA信号之间的域间隙的挑战.
• 消除在临床环境中完全断层扫描采集的基础真实数据的需求.

主要方法:

• 提出了一个信号域适应网络 (SDAN),包括一个域适应网络和一个边预测网络.
• SDAN减少了模拟和实验OA信号之间的域间隙.
• 在使用手持线性传感器阵列从人类前臂获得的有限视图OA数据集中补充了缺失的信号.

主要成果:

• 拟议的SDAN方法在减少光声学图像中的有限视图文物方面表现得更好.
• 这种方法成功地将文物最小化,而不需要从完整的断层采集中获得地面真实信号.
• 实现了有效的信号域适应,提高了OA图像保真度.

结论:

• 信号域适应网络 (SDAN) 提供了一种有前途的解决方案,用于改善在具有实验约束的场景中的光声学成像.
• 这种方法增强了深度学习在光声成像中的实际应用性,特别是在手持设备上.
• SDAN克服了以前深度学习方法的局限性,通过有效地处理模拟和现实数据之间的领域差距.