在实时基于LED的光声成像中提高信号噪声比:基于CNN的深度学习架构的比较研究

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 发光二极管 (LED) 技术为传统的基于激光的光声成像 (PA) 提供了一种具有成本效益,高率的替代方案.
• 基于LED的PA的主要局限性是能量输出低,导致信号噪声比 (SNR) PA图像低于最佳.
• 深度学习显示了在LED-PA图像中增强SNR的潜力,但需要进行全面的评估.

研究的目的:

• 系统地评估各种编码器-解码器卷积神经网络 (CNN) 架构,以改善实时基于LED的PA成像中的SNR.
• 为了比较不同U-Net变体的性能和它们的层次深度变化.
• 评估这些深度学习模型在不同噪音分布上的稳定性.

主要方法:

• 用"体外"幻象, "体外"老鼠器官和"体内"瘤进行实验.
• 基本卷积自编码器和U-Net架构的比较.
• 对层次深度变化和高级U-Net变体的评估,包括密集的U-Net和R2 U-Net.

主要成果:

• 在增强SNR方面,U-Net架构表现出了可比的性能.
• 密集的U-Net模型在不同噪音分布的PA图像中显示出特别有前途的承诺.
• 在U-Net中的层次深度变化没有显著改变性能.
• 密集的U-Net和R2 U-Net表现出对高斯,盐和胡,Poisson和Speckle噪声的弹性.

结论:

• 标准的U-Net架构在LED-PA成像中的实际应用中是有效的.
• 密集的U-Net是一个有前途的架构,用于在PA成像中强大的降噪.
• 模型选择应考虑应用要求,资源限制和噪声强度,以推进PA成像技术.