使用条件逆向神经网络对组织氧化物的光声学量化
IEEE transactions on medical imaging
|May 24, 2024
概括
本研究引入了有条件的可逆神经网络 (cINNs),以解决定量光声学断层扫描 (PAT) 中的模糊性. 该方法接近后部密度,可以更好地探索组织参数,以改善医学成像.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 智能系统需要对干预医疗保健进行可靠的环境感知.
- 光声断层扫描 (PAT) 是一个有前途的非侵入性功能成像模式.
- 将光谱数据转换为功能信息,如血液氧化,对于PAT至关重要.
研究的目的:
- 为了解决定量光声学断层扫描 (PAT) 中的模两可的问题.
- 开发一种方法来计算组织参数条件后部密度的近似值.
- 从基于样本的后部提取可信的溶液,以改进PAT量化.
主要方法:
- 利用有条件的可逆神经网络 (cINNs) 来解决PAT的量化模两可.
- 给定光声谱的组织参数条件后部密度的计算近似值.
- 使用自动模式检测算法从基于样本的后部提取可信的解决方案.
主要成果:
- cINNs方法成功地近似了组织参数的条件后密度.
- 一个自动模式检测算法有效地从计算后面提取可信的解决方案.
- 使用合成和真实图像的验证研究证实了该方法适用于探索PAT模两可.
结论:
- 有条件的可逆神经网络为定量PAT的模糊性问题提供了强大的解决方案.
- 开发的方法增强了组织参数的探索,提高了PAT数据的解释性.
- 这种方法具有很大的潜力,可以推进光声断层扫描的临床应用.
