超越模拟:使用组织模仿幻影的数据驱动定量光声学成像.

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精确的光学吸收系数测量对于光声成像 (PAI) 中的分子量化至关重要.
• 模拟和实验数据之间的领域差距阻碍了生物系统中的定量PAI.
• 由于这种模拟-实验差距,现有的方法与工件和偏见作斗争.

研究的目的:

• 通过开发经过实验验证的幻影及其数字双胞胎来弥合PAI的领域差距.
• 为了使深度学习模型 (U-Net) 的监督培训能够直接在实验PAI数据上进行.
• 改进像素对光学吸收系数的估计,以实现增强的分子映射.

主要方法:

• 创建一个新的数据集的实验特征成像幻象和他们的数字双胞胎.
• 使用PAI实验数据进行吸收系数估计的U-Net架构的监督训练.
• 结果与传统的基于蒙特卡洛的流量校正方法进行比较.

主要成果:

• 在模拟数据上训练U-Nets引入了文物和偏见,证实了域差距.
• 在实验数据上的训练产生了更准确和更强大的光学吸收系数估计.
• 深度学习方法在小鼠模型中恢复了依赖于深度的信号损失,超过了模拟训练模型.