相关实验视频
Updated: Jul 11, 2026
08:31
Three-dimensional Optical-resolution Photoacoustic Microscopy
Published on: May 3, 2011
17.9K
通过深度学习来恢复稀疏的光声显微镜图像的结构和氧和度
Shuyan Zhang1,2, Jingtan Li1,2, Lin Shen1,2
1Key Laboratory of Brain Health Intelligent Evaluation and Intervention (Beijing Institute of Technology), Ministry of Education, China.
Photoacoustics
|February 3, 2025
概括
这项研究介绍了面具增强U-net (MeU-net),这是一种用于更快,高分辨率光声显微镜 (PAM) 成像的深度学习模型. MeU-net有效地从稀疏的数据中恢复结构和功能图像,改进氧和度测量.
科学领域:
- 生物医学光学 生物医学光学
- 医学成像医学成像
- 在成像中的深度学习.
背景情况:
- 光声学显微镜 (PAM) 提供高分辨率的结构和功能成像.
- 实现具有高空间分辨率的高速PAM是一个重大挑战.
- 目前的深度学习方法在PAM中难以有效的功能图像恢复.
研究的目的:
- 开发一个深度学习模型,MeU-net,用于恢复稀疏样本的PAM结构和功能图像.
- 提高PAM成像的速度和准确性,特别是对于功能信息,如氧和.
主要方法:
- 拟议的面具增强U-net (MeU-net) 模型使用双通道输入 (532nm和558nm波长).
- 引入了适应性血管注意力面具模块,用于集中血管信息恢复.
- 设计了一种特定于船舶的损失函数,以提高恢复准确度.
- 模拟的小鼠大脑和耳部成像数据具有不同的稀疏度水平 (4x,8x,12x).
主要成果:
- 与传统的插值和其他模型相比,MeU-net在恢复结构信息方面表现出更好的表现.
- 该模型在氧和恢复精度方面取得了显著的改进.
- 广泛的实验验证了MeU-net在不同稀缺水平的有效性.
结论:
- MeU-net有效地恢复稀疏采样的PAM结构和功能图像.
- 拟议的模型为高速,高分辨率的PAM成像提供了一个有希望的解决方案.
- MeU-net提高了功能成像的准确性,特别是对于与血管相关的参数,如氧和度.
更多相关视频
09:31High-Speed Ultraviolet Photoacoustic Microscopy for Histological Imaging with Virtual-Staining assisted by Deep Learning
Published on: April 28, 2022
2.9K
14:28Non-Invasive Monitoring of Microvascular Oxygenation and Reactive Hyperemia using Hybrid, Near-Infrared Diffuse Optical Spectroscopy for Critical Care
Published on: May 10, 2024
1.4K
