基于学习的三维光声计算机断层扫描空间脉冲响应补偿框架

光声计算机断层扫描 (PACT) 是一种有前景的成像模态，它结合了光学对比度和超声检测的优势。利用具有更大表面积的超声换能器可以提高检测灵敏度。然而，当采用忽略换能器空间脉冲响应 (SIR) 的计算高效解析重建方法时，重建图像的空间分辨率将受到影响。尽管基于优化的重建方法可以明确考虑 SIR 效应，但其计算成本通常很高，尤其是在三维 (3D) 应用中。为了满足准确但快速的 3D PACT 图像重建需求，本研究提出了一个框架，用于建立一种在数据域中运行的习得 SIR 补偿方法。习得的补偿方法将受 SIR 影响的 PACT 测量数据映射到补偿数据，这些数据本应由理想的点状换能器记录。随后，补偿数据可以与忽略 SIR 效应的计算高效重建方法一起使用。研究了习得补偿模型的两种变体，它们采用 U-Net 模型和一个专门设计的、受物理启发的模型（称为 Deconv-Net）。快速且解析的训练数据生成过程也是所提出框架的一个组成部分。该框架在虚拟成像研究中得到了严格验证，展示了分辨率提升以及对噪声变化、物体复杂性和声速不均匀性的鲁棒性。当应用于体内乳腺成像数据时，习得的补偿模型揭示了被 SIR 诱导伪影掩盖的精细结构。据我们所知，这是首次在 3D PACT 成像中展示习得的 SIR 补偿。