从低采样光学分辨率光声显微镜图像中重建状骨,使用深度学习.
Jingxian Wang1, Boyi Li2, Tianhua Zhou3
1Human Phenome Institute, Fudan University, Shanghai, China.
Ultrasound in medicine & biology
|July 7, 2024
概括
研究人员开发了一种光声密集注意力U-Net (PADA U-Net) 来增强光学分辨率光声显微镜 (OR-PAM) 骨图像. 这种人工智能模型可以提高图像质量而不会减缓成像速度,有助于早期诊断骨疾病.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医疗技术 医疗技术 医学技术
- 人工智能在医学中的应用
背景情况:
- 骨疾病显著影响骨组织的微观结构.
- 光学分辨率光声学显微镜 (OR-PAM) 为骨成像提供高空间分辨率.
- OR-PAM的一个主要限制是时空权衡,阻碍了其临床应用.
研究的目的:
- 为了提高骨组织的OR-PAM图像质量.
- 为了克服OR-PAM的时空权衡.
- 改善早期诊断和治疗骨疾病.
主要方法:
- 提出了光声密集注意力U-Net (PADA U-Net) 模型.
- 使用 PADA U-Net 来从样本不足的OR-PAM数据中重建全扫描图像.
- 验证了对分辨率测试目标和牛无骨样本的模型.
主要成果:
- PADA U-Net成功地从样本不足的OR-PAM数据中重建了全扫描图像.
- 在峰值信号与噪声比率 (2.325 dB) 和结构相似性指数测量 (0.117) 中取得了显著的改进,而不是在 [4, 1] 下方采样比率的双线互插.
- 在各种稀疏度级别中展示了有效的图像重建.
结论:
- PADA U-Net 模型从稀疏的数据中稳定地重建OR-PAM图像.
- 这种由人工智能驱动的方法解决了OR-PAM中的速度解析权衡问题.
- 该方法有望促进骨病理的早期检测和管理.
