联合细分和图像重建与错误预测在光声学成像使用深度学习
Ruibo Shang1, Geoffrey P Luke2, Matthew O'Donnell1
1uWAMIT Center, Department of Bioengineering, University of Washington, Seattle, WA 98195, USA.
Photoacoustics
|September 30, 2024
概括
我们开发了一种混合贝叶斯卷积神经网络 (Hybrid-BCNN) 用于光声学 (PA) 图像重建. 该方法量化了预测错误,改善了定量成像应用的验证.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 深度学习增强了光声学 (PA) 图像重建,但在验证的错误量化方面存在困难,特别是在带宽有限的超声波探测器中.
- 准确的验证对于定量PA成像应用至关重要.
研究的目的:
- 提出一种新的混合贝叶斯卷积神经网络 (Hybrid-BCNN) 用于联合PA图像和细分预测与不确定性量化.
- 为了能够对PA图像重建进行强有力的验证,即使基本真相是未知的.
主要方法:
- 开发了一种混合BCNN模型,将贝叶斯原则与卷积神经网络集成在一起.
- 使用模拟的PA数据训练模型,结合细分来关注信号丰富的区域.
- 将训练的模型应用于模拟和实验PA数据.
主要成果:
- 混合BCNN准确地预测PA图像和细分.
- 量化错误预测显示了与实际重建错误的高统计相关性.
- 使用错误预测的基于信心的处理提高了重建的PA图像的质量.
结论:
- 混合BCNN有效地解决了PA图像重建中的错误量化挑战.
- 这种方法提高了PA成像的可靠性和定量准确性,特别是在数据有限的场景中.
- 不确定性预测是验证和改进基于深度学习的PA成像的一个有价值的工具.
