在快速学习的3D有限视图光声断层扫描中补偿未知的声音速度

科学领域:

• 医学成像医学成像
• 生物医学工程 生物医学工程
• 声学物理学的声学物理学

背景情况:

• 实时3D光声学断层扫描 (PAT) 需要快速的重建算法.
• 当前的算法通常假定组织中的声音速度 (SoS) 是均的,这可能会影响重建质量.
• 准确的SoS分布对于高保真度PAT成像至关重要.

研究的目的:

• 为了研究3D光声学断层扫描的学习重建方法.
• 为了应对未知或异质的声速 (SoS) 分布所带来的挑战.
• 评估建模培训数据不确定性和学习校正术语对重建质量的影响.

主要方法:

• 开发了用于3D光声学断层扫描的学习重建方法.
• 纳入训练数据中的不确定性建模.
• 研究了对重建算法的学习校正术语的添加.
• 使用模拟和体内3D测量的验证方法.

主要成果:

• 学习的重建方法可以有效地处理未知或异质的SoS分布.
• 训练数据中的模拟不确定性是克服SoS挑战的主要因素.
• 学习的校正组件可以进一步提高重建质量.
• 模拟和体内数据证实了拟议方法的有效性.

结论:

• 学习的重建方法,特别是那些有仔细的不确定性建模的方法,为3D光声学断层扫描提供了强大的解决方案,使用未知的SoS.
• 在训练数据中,对SoS不确定性的准确建模比学习的校正术语更为关键,以改善重建.
• 这种方法有望提高实时3D光声学成像的准确性和可靠性.