基于模型的卷积神经网络用于3D近红外光谱断层扫描

科学领域:

• 生物医学光学 生物医学光学
• 医学成像医学成像
• 计算建模计算建模

背景情况:

• 近红外光谱断层扫描 (NIRST) 是一种用于功能组织评估的非侵入性成像方法.
• 由于光散射和有限的数据,NIRST图像重建在计算上具有挑战性,导致不良问题.
• 现有的方法,如提霍诺夫规范化和全卷积神经网络 (FC-CNN),在准确性和速度上都有局限性.

研究的目的:

• 为NIRST开发一种先进的重建算法,克服当前方法的局限性.
• 为了提高从NIRST数据中重建染色体度图像的准确性和效率.
• 通过使用模拟,幻影和临床数据,与已建立的技术对开发算法的性能进行验证.

主要方法:

• 开发了一种新的重建算法,Model-CNN,将扩散方程模型与卷积神经网络 (CNN) 集成在一起.
• 在限制解决方案之前,CNN组件学习了一个规范化,以实现现实的色素度分布.
• 通过对模拟数据的培训和对物理幻影和临床NIRST数据集的测试来评估模型-CNN的性能,与提霍诺夫规范化和FC-CNN进行比较.

主要成果:

• 模型-CNN显著优于提霍诺夫规范化,在总血红蛋白 (HbT) 中降低了55%的绝对偏差误差 (ABE),在水 (H2O) 中降低了70%,在两种情况下提高了5.3dB的峰值信号噪声比 (PSNR).
• 与提霍诺夫规范化相比,处理时间减少了82%.
• 模型-CNN也超过了FC-CNN,在HbT下降了91%的ABE,在H2O下降了75%,在PSNR上分别提高了7.3dB和4.7dB,尽管仅在模拟数据上进行训练.

结论:

• 模型-CNN算法为NIRST图像重建提供了卓越的方法,提供了更高的准确性和效率.
• 这种方法有效地解决了NIRST重建的错误性质,即使在简化模拟数据上进行训练.
• 模型-CNN在功能性组织成像中展示了临床应用的强大潜力,提供了改进的诊断能力.