DOT-AE-GAN:一种混合自编码器-GAN模型,用于增强超声波引导的扩散光学断层扫描重建

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 医学物理 医学物理

背景情况:

• 扩散光学断层扫描 (DOT) 是一种非侵入性的功能成像方法,受到不良反向问题的挑战,阻碍了高质量的图像重建.
• 准确的重建对于临床应用至关重要,特别是在识别和描述病变时.

研究的目的:

• 引入一种新的混合机器学习模型,DOT-AE-GAN,用于强大的超声波引导DOT重建.
• 提高DOT成像的准确性和稳定性,特别是在形状不规则的病变.

主要方法:

• 开发了一个混合模型,将自动编码器 (AEs) 和生成对抗网络 (GAN) 结合起来.
• AE组件模拟了DOT重建的逆向和前向过程,而GAN框架通过对抗训练来提高稳定性.
• 该模型使用模拟,幻影和患者数据进行训练和验证.

主要成果:

• 在模拟中,DOT-AE-GAN模型证明了吸收系数和目标尺寸的准确重建.
• 与只有AE的模型相比,DOT-AE-GAN在幻影研究中显示了对目标的侧向维度准确度的提高.
• 在患者数据中,DOT-AE-GAN重建更好地匹配了乳腺损伤大小的超声波测量,并改善了吸收对比度.

结论:

• DOT-AE-GAN模型显示了改善超声波引导DOT重建的巨大潜力.
• 这种混合人工智能方法在病变表征中提供了更高的准确性,提高了DOT的临床实用性.