深度学习在光声成像中结合误差预测的联合分割与图像重建

深度学习已被用于改善光声（PA）图像重建。一个主要挑战是，当真值未知时，无法量化误差以验证预测。验证对于定量应用是关键，特别是在使用有限带宽超声线性探测器阵列时。在此，我们提出了一种混合贝叶斯卷积神经网络，以联合预测 PA 图像和分割以及误差（不确定性）预测。每个输出像素代表一个概率分布，其中误差可以被量化。Hybrid-BCNN 使用模拟的 PA 数据进行训练，并应用于模拟和实验。由于 PA 图像的稀疏性，分割使 Hybrid-BCNN 专注于在有 PA 信号的区域最小化损失函数，以获得更好的预测。结果表明，获得了准确的 PA 分割和图像，并且误差预测与实际误差具有高度统计相关性。为了利用误差预测，置信度处理创建了高于特定置信度水平的 PA 图像。