深度学习方法用于在时间域空间频域成像中对组织吸收和分散的分层重建
Yaru Zhang1, Wenxing Bai1, Yihan Dong1
1Tianjin University, College of Precision Instrument and Optoelectronics Engineering, Tianjin, China.
Journal of biomedical optics
|March 13, 2024
概括
这项研究引入了一个深度学习方法,用于时间分辨率空间频域 (TR-SFD) 成像,使光学特性 (吸收和散射系数) 的精确深度分辨率重建成为可能. 这种方法克服了传统技术的局限性,提供了增强的成像能力.
科学领域:
- 生物医学光学 生物医学光学
- 医疗成像医学成像
- 光子学是指光子学的使用方法.
背景情况:
- 空间频域 (SFD) 成像中的传统光学属性 (OPs) 重建方法,例如查找表 (LUT) 方法,遭受别名和缺乏深度分辨率.
- 整合时间分辨率 (TR) 测量与SFD成像增强了时空信息,改善了在不同深度的吸收 (\[\mu_a\]) 和减少散射 (\[\mu_s' \]) 系数的重建.
研究的目的:
- 通过使用深度学习工作流来实现OP的分层重建和分离的吸收和分散系数.
- 利用来自时间域SFD成像的时间和空间信息来提高重建的准确性.
主要方法:
- 用TR-SFD成像进行OP重建,采用两种数据处理方法:完整的TR数据和特色数据 (平均飞行时间,连续波组件).
- 通过模拟和幻影验证,比较了这些方法的性能.
主要成果:
- 与LUT方法相比,全TR,平均飞行时间和连续波组件数据集产生了高分辨率的OP重建.
- 完整的TR数据集在使用的三个数据集中显示出最佳的准确性.
结论:
- TR-SFD成像可实现高分辨率,深度分离和重建5毫米范围内的吸收和散射系数.
- 开发的深度学习工作流提高了生物医学成像中光学属性重建的准确性.
更多相关视频
07:06Simultaneous Evaluation of Cerebral Hemodynamics and Light Scattering Properties of the In Vivo Rat Brain Using Multispectral Diffuse Reflectance Imaging
Published on: May 7, 2017
7.7K
07:013D Imaging of Soft-Tissue Samples using an X-ray Specific Staining Method and Nanoscopic Computed Tomography
Published on: October 24, 2019
9.8K
