高效基于模型的深度学习光声图像重建

多光谱光声断层成像的临床应用需要实时图像质量的提升以及扫描仪财务成本的降低。深度学习方法近期实现了高质量光声图像的实时重建。然而，目前使用的深度神经网络架构需要强大的图形处理器才能以足够高的帧率推断图像，从而大幅增加成本。在此，我们提出了EfficientDeepMB，一种相对轻量级（17M参数）的网络架构，能够在中端图形处理器上实现高帧率，且图像质量无明显下降。EfficientDeepMB建立在DeepMB（一种此前已建立的用于实时高质量图像重建的深度学习框架）和EfficientNet（一种专为移动设备设计的网络架构）之上。我们使用大量且多样化的体内光声扫描数据集，在重建速度和准确性方面验证了EfficientDeepMB的性能。EfficientDeepMB的速度约为DeepMB的三到五倍：部署在中端NVIDIA RTX A2000 Ada上，EfficientDeepMB以能够实现实时图像反馈的速度重建图像（59Hz），而DeepMB未能达到实时推理阈值（14Hz）。EfficientDeepMB与DeepMB之间重建准确性的定量差异很小（数据残差范数分别为0.1560和0.1487，平均绝对误差分别为0.642和0.745）。两种重建方法推断出的图像在定性上无明显差异。