基于正弦激活的深度学习模型实现 3D 光声断层扫描的隐式时空带宽增强滤波器

3D 光声断层扫描（3D-PAT）使用高频半球形探听器提供近全向接收，并对宽带光声（PA）信号中编码的更细微结构特征具有更高灵敏度。然而，实际限制因素如探听器通道数量受限且受带限抽样率制约，常导致稀疏且带限的探听器，从而影响图像质量。为此，本文重新审视一种直接应用于传感器级 PA 射频（PARF）数据上的 2D 深度学习（DL）方法。具体而言，我们引入正弦激活函数以恢复 PARF 信号的宽带特性，给定观察到的带限且高频 PARF 数据。鉴于 3D 训练数据稀缺，本文采用仿真随机球形吸收体的简化训练策略。该正弦激活模型与随机化训练的组合旨在强调带宽学习而非数据集记忆。我们对模型进行了叶骨幽 phantom、经微型 CT 验证的 3D 螺旋 phantom 以及体内人手掌血管进行评估。结果表明，所提出的训练机制在正弦激活模型上具有良好的跨任务泛化能力，有效提升了探听器密度并恢复了时空带宽。定性地，正弦激活模型独特地增强了高频成分，从而产生更清晰的血管结构并减少杂质。定量地，正弦激活模型在 -12 dB 谱线上表现出完整带宽，并以最小结构相似性损失显著提高信噪比。最后，我们对方法进行了优化，以实现 1 秒钟 3 个体积的快速增强 3D-PAT，从而更好地实现自由运动靶标的成像。