通过使用扩散光学成像和遗传编程通过组织进行传感
Ganesh M Balasubramaniam1, Ami Hauptman1, Shlomi Arnon1
1Department of Electrical and Computer Engineering, Ben-Gurion University of the Negev, Be'er Sheva 8441405, Israel.
Sensors (Basel, Switzerland)
|January 10, 2026
概括
我们使用基因编程 (DI-GP) 开发了扩散光学成像,这是一种用于准确,快速和可解释的医学成像的新型AI框架. DI-GP克服了扩散光学成像的局限性,使得临床应用更深层次的组织可视化.
科学领域:
- 生物医学光学 生物医学光学
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
背景情况:
- 分散光学成像 (DOI) 在临床采用方面面临挑战,原因是生物组织中光散射的复杂反向问题.
- 现有的重建算法与非线性和不良位置作斗争,限制了DOI在乳房和大脑成像等领域的应用.
- 有限的数据集和物理限制进一步阻碍了DOI的广泛使用.
研究的目的:
- 引入使用基因编程 (DI-GP) 的扩散光学成像,这是DOI的物理引导和可解释的AI框架.
- 开发一种方法来解决扩散媒体重建中的非线性,错误的反向问题.
- 为了提高DOI重建的速度,准确性和可解释性.
主要方法:
- 开发了DI-GP,这是一个基于扩散方程的遗传编程框架.
- 在散射介质中为2D重建开发了封闭形式的符号映射.
- 通过模拟和桌面实验在类似组织的介质上验证了方法.
主要成果:
- 与分析方法相比,DI-GP实现了较快的推断和改进的重建性能.
- 在深度超过25个运输无中位数路径的情况下,成功地恢复了目标,而没有事先了解其形状或位置.
- 在类似组织的介质中展示了厘米尺度的成像,展示了深层组织可视化的潜力.
结论:
- DI-GP为扩散光学成像提供了以物理为导向,可解释和高效的解决方案.
- 该框架的透明度和数据效率使其适用于需要可解释AI的受监管领域.
- DI-GP在推进非侵入性深层组织成像和实用的DOI系统方面显示出显著的前景.
