基于深度学习的穿过厚多孔介质的血管网络光声成像
医学物理
2022-08-16 v3
摘要
光声成像（PAI）是一种有望实现活体经颅脑血管成像的方法。然而，厚多孔颅骨引起的光声波的强烈衰减与畸变极大地影响了成像质量。在本研究中，我们设计了一个具有 U-Net 架构的卷积神经网络（CNN）来提取隐藏在散斑图案中的有效光声信息；通过仿真与实验获得了多孔介质下的血管网络图像数据集，并分别训练了网络权重。结果表明，所提出的神经网络能够学习散斑图案与目标之间的映射关系；提取淹没在噪声中的部分血管的光声信号，以重建具有清晰血管轮廓和干净背景的高质量图像。与传统光声重建方法相比，基于深度学习的重建算法能取得更好的性能，重建图像的均值绝对误差（MAE）、结构相似性（SSIM）和峰值信噪比（PSNR）均得到大幅改善。总之，所提出的神经网络能有效从高度模糊的散斑图案中提取有效信息，用于目标图像的快速重建，在经颅光声成像中具有广阔的应用前景。
引用
@article{arxiv.2103.13964,
title = {Deep learning-based photoacoustic imaging of vascular network through thick porous media},
author = {Ya Gao and Wenyi Xu and Yiming Chen and Weiya Xie and Qian Cheng},
journal= {arXiv preprint arXiv:2103.13964},
year = {2022}
}
备注
14 pages, 14 figures, 4 tables