光声断层成像中的深度学习：当前方法与未来方向
图像与视频处理
2020-11-20 v1 计算机视觉与模式识别
机器学习
信号处理
医学物理
摘要
生物医学光声断层成像能够基于光学吸收提供高分辨率 3D 软组织图像，已发展到有望从实验室走向临床应用阶段。快速成像的需求以及临床工作流限制所带来的数据采集实际约束，正带来新的图像重建挑战。经典的影像重建方法众多，但通过将准确先验融入以缓解不完整或 imperfect 数据的影响十分困难，且会导致算法缓慢。近来，将深度学习或深度神经网络应用于该问题受到了大量关注。本文综述了关于学习式图像重建的文献，总结了当前趋势，并阐释了这些新方法如何契合并在一定程度上源自涵盖经典重建方法的框架。特别地，本文从贝叶斯视角说明了如何理解这些新技术，提供了有益的见解。本文还简明地演示了三种典型的学习式图像重建方法。这些演示的代码与数据集可供研究者使用。预计正是在体内应用中——数据可能稀疏、快速成像至关重要且先验难以手工构建——深度学习将产生最大影响。鉴于此，本文最后给出了若干可能的未来研究方向。
引用
@article{arxiv.2009.07608,
title = {Deep Learning in Photoacoustic Tomography: Current approaches and future directions},
author = {Andreas Hauptmann and Ben Cox},
journal= {arXiv preprint arXiv:2009.07608},
year = {2020}
}