基于模型的深度学习对低元素线性数组进行光声学重建

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学物理 医学物理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 使用线性阵列超声传感器的光声学断层扫描 (PAT) 面临着由于传感器配置稀疏和音调有限的图像质量挑战.
• 传统的重建方法,如延迟和总和和基于模型的技术,要么不准确,要么计算密集.
• 可穿戴PAT系统需要更少的复杂性和功耗,加剧了这些局限性.

研究的目的:

• 开发一个简化和高效的深度学习框架,用于PAT图像重建,适用于线性阵列传感器.
• 在基于模型的深度学习中解决模型矩阵反转的计算挑战.
• 提高图像重建质量,降低PAT系统的计算负载,特别是那些有较少传感器的系统.

主要方法:

• 引入一个轻量级的生成等效卷积神经网络 (GE-CNN) 框架.
• 优化模型矩阵大小和附属转换,以减少计算需求.
• 严格的评估使用合成数据,实验幻象,以及体内大鼠肝脏成像.

主要成果:

• 实现了模型矩阵大小的4倍减少 (例如,32个元素的2.09 GB与128个元素的8.38 GB).
• 加快处理速度约为46.3%,将重建时间从7.88秒缩短到4.23秒.
• 在最小的硬件要求下,证明了改进的重建性能.

结论:

• 拟议的轻量级GE-CNN框架为使用线性阵列传感器进行PAT图像重建提供了有效的解决方案.
• 这种方法显著提高了重建质量,同时大幅减少了计算复杂性和处理时间.
• 该方法在资源有限的可穿戴PAT设备中显示出实际实施的希望.