相关实验视频
Updated: Jun 25, 2026
08:31
Three-dimensional Optical-resolution Photoacoustic Microscopy
Published on: May 3, 2011
18.8K
基于变压器的光学衰减补偿和光声成像中的消噪
Cristian Perez Jensen1, Navchetan Awasthi1,2, Kalloor Joseph Francis3
1University of Amsterdam, Informatics Institute, Faculty of Science, Mathematics and Computer Science, Amsterdam, The Netherlands.
Journal of biomedical optics
|November 28, 2025
概括
一个新的深度学习模型Trans U-Net通过纠正光衰减和减少噪声来改善光声成像 (PAI). 这在体内增强了深血管结构的可视化,而不会牺牲图像质量.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
- 光学物理学 光学物理学
背景情况:
- 线性阵列光声成像 (PAI) 提供了功能和结构成像的组合.
- 在PAI中,深度依赖的光学衰减会降低信号幅度和图像对比度.
- 当前的补偿方法往往会放大噪声,从而与图像质量产生权衡.
研究的目的:
- 开发一种深度学习方法,用于在线性数组PAI中进行光学衰减补偿和无效化.
- 解决PAI中减弱和噪声的联合挑战.
- 验证该方法在生物体中的性能.
主要方法:
- 提出了一个基于视觉转换器的生成模型 (Trans U-Net).
- 使用模拟数据和实验双胞胎幽灵创建了一个多样化的数据集.
- 训练并比较使用各种损失函数 (对抗性,MSE,PSNR,SSIM,PSNR + SSIM) 的Pix2Pix,剩余U-Net和Trans U-Net架构.
主要成果:
- 带有PSNR+SSIM损失的Trans U-Net证明了结构细节的稳健保存和噪声抑制.
- 在模拟和实验数据集上实现了最高的SSIM和PSNR噪声水平.
- 在小鼠乳腺瘤模型的体内验证证证实了深血管结构的增强可视化,没有噪音放大.
结论:
- 拟议的Trans U-Net有效地解决了手持PAI中的合衰减校正和无声化问题.
- 这种方法显著改善了深度分辨率的血管成像.
- 在临床和临床前光声学应用中具有潜在的实用性.
