在光声断层扫描中,用于基于Mamba的图像恢复的波形增强残余最佳传输
Simon C K Chan1, Bingxin Huang1, Hannah H Kim1
1Translational and Advanced Bioimaging Laboratory, Department of Chemical and Biological Engineering, The Hong Kong University of Science and Technology, Hong Kong, China.
Photoacoustics
|July 21, 2025
概括
剩余条件最佳运输马巴 (RCMamba) 有效地去除稀疏的光声断层扫描 (PAT) 成像中的文物. 这种新的深度学习框架可以提高图像质量,从而提高诊断潜力.
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:
- 光声断层扫描 (PAT) 提供高对比度和深层组织透.
- 在PAT中稀少采样导致条纹文物,阻碍图像质量.
- 现有的深度学习方法在稀疏的PAT中难以有效地去除文物.
研究的目的:
- 介绍RCMamba,这是一个用于稀疏PAT图像恢复的新框架.
- 通过波形分析和混合多尺度状态空间模型来增强剩余的最佳传输.
- 在稀疏的PAT中提高文物抑制和结构忠实度.
主要方法:
- 开发了一个波段残留增强运输计划,包括多分辨率分析和波段一致性罚款.
- 设计了一种混合的多尺度mamba架构,结合了基于窗口和全球状态空间扫描.
- 在不同样本密度的容器幻象和体内小鼠模型上评估性能.
主要成果:
- 与最先进的技术相比,RCMamba 证明了优越的文物抑制.
- 框架保留了细致的解剖细节和长距离的结构信息.
- 在不同的稀疏采样密度 (16,32,64个预测) 中保持一致的性能.
结论:
- RCMamba有效地从稀疏的光声断层扫描采集中恢复图像.
- 拟议的方法显著改善了工件的移除,并保持了结构完整性.
- 在RCMamba的研究中,有望推进稀疏样本PAT系统的临床应用.
