通过高质量的自我监督的神经表征进行有限视图光声学成像重建

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 计算成像技术的成像

背景情况:

• 摄影声学成像中的有限视图检测导致信息丢失,阻碍了内部身体结构的准确重建.
• 从有限的视角重建光声传感器信号是当前研究的一个重大挑战.

研究的目的:

• 引入一种新的自我监督网络,即高质量的自我监督神经表示 (HIS),用于从有限视野传感器数据中重建高质量的光声图像.
• 通过从稀疏,有限的观测中学习连续图像函数来解决光声成像中的反向问题.

主要方法:

• 利用完全连接的神经网络与富里埃特征位置编码来表示光声图像作为连续函数.
• 通过最小化预测和实际传感器数据之间的错误来训练HIS网络,从而使基础连续模型的学习成为可能.
• 采用自主监督学习方法,只需要传感器数据,没有明确的地面真相图像进行培训.

主要成果:

• 该HIS模型成功地从有限视野传感器数据中重建了高质量的光声学图像.
• 与三种已建立的光声学图像重建方法相比,在图像重建质量方面表现出卓越的性能.
• 验证了学习连续图像表示的有效性,用于解决光声成像中的反向问题.

结论:

• 在有限的传感器视角的情况下,HIS网络为光声学图像重建提供了有效的解决方案.
• 自主监督的方法提供了一种强大的方法,可以在具有挑战性的生物医学成像应用中提高图像质量.
• 这项研究推动了光声学成像领域的发展,通过不完整的数据使内部组织和器官能够更准确地可视化.