基于神经网络的高速体积动态光学连贯性断层扫描.

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 机器学习在医学中的应用

背景情况:

• 动态光学一致性断层扫描 (DOCT) 提供了功能性成像功能.
• 在DOCT中高质量的图像重建通常需要大量的数据采集.
• 加快DOCT成像对于体内和动态生物研究至关重要.

研究的目的:

• 开发一个深度学习的神经网络 (NN) 快速,高准确度的逻辑强度变量 (LIV) DOCT图像重建.
• 为了减少精确的LIV DOCT成像所需的光学连贯性断层扫描 (OCT) 的数量.
• 用开发的NN模型来演示快速体积DOCT成像.

主要方法:

• 一个深度学习神经网络 (NN) 模型被设计用于LIV DOCT图像生成.
• 通过使用瘤球状样本与自定义加权平均绝对误差损失函数进行NN训练.
• 图像质量与使用主观和客观指标从32个OCT中生成的地面真实图像进行了验证.

主要成果:

• 高质量的LIV DOCT图像仅从四个OCT中成功生成.
• 与传统方法相比,基于NN的方法实现了高保真度,需要显著更多的.
• 快速体积DOCT成像被证明具有每体积6.55秒的获取时间.

结论:

• 深度学习显著提高了LIV DOCT图像重建的速度和效率.
• 基于NN的方法可以实现高质量的功能成像,而减少数据采集.
• 这种方法有望加速动态生物和医学成像应用.