基于深度学习的超级分辨率用于光声学显微镜成像中的血管增强
Thi Thu Ha Vu1, Soonhyuk Tak1, Tan Hung Vo2
1Industry 4.0 Convergence Bionics Engineering, Pukyong National University, Busan, Republic of Korea.
Journal of biophotonics
|March 4, 2026
概括
研究人员开发了GDSU-Net,一种深度学习模型,以增强光声成像 (PAI) 的分辨率. 这种新的方法通过有效地重建超分辨率 (SR) PAI 数据来改善血管网络可视化.
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
- 医疗技术 医疗技术 医学技术
背景情况:
- 光声学成像 (PAI) 提供高分辨率的血管可视化,但由于噪音和文物,在空间分辨率,深度和图像质量方面面临限制.
- 现有的PAI技术在分辨率和成像深度之间的权衡方面扎,影响诊断能力.
研究的目的:
- 引入GDSU-Net,这是一个用于PAI中超分辨率 (SR) 重建的新型神经网络.
- 通过提高图像分辨率和质量来解决PAI的性能限制.
主要方法:
- 基于U-Net架构的GDSU-Net集成了群组规范化,深度可分离卷积,SE块和基于pixelshuffle的解码器.
- 该模型为PAI数据的SR重建进行了微调.
主要成果:
- GDSU-Net的结构相似度指数为0.889和PSNR为31.979dB.
- 该模型显著降低了RMSE到0.032和MAE到0.025.
- 视觉评估证实了血管细节的有效恢复与解剖学真实性.
结论:
- GDSU-Net在PAI的SR重建中表现出卓越的性能.
- 开发的模型提供了一个计算效率高的解决方案,用于提高PAI分辨率和图像质量.
- 在依赖于血管成像的应用中,GDSU-Net有可能提高诊断准确性.
