移除跨膜光声成像中的文物,以极化自我注意力密集的UNet
Boyi Li1, Mengyang Lu1, Tianhua Zhou2
1Academy for Engineering and Technology, Fudan University, Shanghai 200438, China.
Ultrasound in medicine & biology
|July 16, 2024
概括
深度学习可以在光声成像 (PAI) 中去除头骨器件. 新的PSAD-UNet方法提高了跨骨PAI的质量,使骨下方的可视化更清晰. 这一突破提高了各种应用的成像精度.
科学领域:
- 生物医学光学 生物医学光学
- 医学成像医学成像
- 医学中的人工智能
背景情况:
- 跨膜光声成像 (PAI) 显示出有希望的结果,但受到骨诱导的信号扭曲的阻碍.
- 骨结构的文物显著降低了PAI的质量,限制了其临床实用性.
- 开发方法来克服与头骨相关的文物对于推进PAI至关重要.
研究的目的:
- 引入一个深度学习模型来纠正由头骨引起的光声信号扭曲.
- 通过去除骨诱导的文物来提高跨皮PAI的成像质量.
- 使用PAI准确地恢复位于骨板下方物体的图像.
主要方法:
- 一种新的极化自我注意密集的U-Net (PSAD-UNet) 已被开发用于文物校正.
- 实验使用定制的PAI系统进行,以评估PSAD-UNet的性能.
- 建议的方法与传统的延迟和总和和经典的U-Net方法进行了比较.
主要成果:
- 通过一层或两层骨板,PSAD-UNet有效地启用了跨骨PAI.
- 该方法显著减少了骨板的影响,产生了高质量的PAI结果.
- 与其他方法相比,PSAD-UNet在结构相似性和峰值信号噪声比率方面表现优越.
- 3D实验结果证实了PSAD-UNet对3D跨镜成像的可行性.
结论:
- 通过减轻与骨相关的文物,PSAD-UNet促进了高精度的跨骨PAI.
- 开发的方法在临床前和临床环境中提供了广泛的应用前景.
- 这种深度学习方法在克服跨 PAI 的挑战方面取得了重大进展.
