利用基于半合成数据集的深度学习改善 LED 光声成像中针的可见性
图像与视频处理
2023-03-22 v3 信号处理
摘要
光声成像通过准确识别关键组织目标和侵入性医疗器械（如金属针）在引导微创手术方面显示出巨大潜力。使用发光二极管（LEDs）作为激发光源因其高性价比和便携性加速了临床转化。然而，LED 光声成像中针的可见性主要因其低光通量而受损。在本工作中，我们提出基于 U-Net 的深度学习框架，以改善采用 LED 光声和超声成像系统的临床金属针的可见性。为解决真实数据获取真值的复杂性以及纯模拟数据真实感差的问题，该框架包含生成半合成训练数据集，结合模拟数据（表示针的特征）和体内测量（用于组织背景）。训练后的神经网络通过针插入仿血管体模、离体猪关节组织以及人体志愿者测量进行评估。该基于深度学习的框架通过抑制背景噪声和图像伪影，相比传统重建显著改善了体内光声成像中针的可见性，分别实现了信噪比（SNR）和修正 Hausdorff 距离（MHD）5.8 倍和 4.5 倍的提升。因此，所提框架可通过在光声成像中准确识别临床针，有助于减少经皮针插入过程中的并发症。
引用
@article{arxiv.2111.07673,
title = {Improving needle visibility in LED-based photoacoustic imaging using deep learning with semi-synthetic datasets},
author = {Mengjie Shi and Tianrui Zhao and Simeon J. West and Adrien E. Desjardins and Tom Vercauteren and Wenfeng Xia},
journal= {arXiv preprint arXiv:2111.07673},
year = {2023}
}