用于神经成像的有限视角与稀疏光声层析深度学习
图像与视频处理
2020-06-30 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
光声层析（PAT）是一种非电离成像模态，能够在比传统光学成像技术更深的深度获取光学吸收的高对比度与高分辨率图像。仪器与几何结构的实际限制减少了可用声传感器数量及其对成像目标的视角，导致显著的图像重建伪影并降低图像质量。迭代重建方法可用于减少伪影但计算昂贵。本工作中，我们提出一种称为像素级深度学习（PixelDL）的新型深度学习方法，其首先采用由光声波传播物理控制的像素级插值，然后使用卷积神经网络直接重建图像。分别使用来自合成血管体模与小鼠脑血管的模拟光声数据进行训练与测试。结果表明，PixelDL 取得了与迭代方法相当的性能，并在校正伪影方面优于其他基于 CNN 的方法。PixelDL 是一种计算高效的方法，可实现实时 PAT 渲染并改善图像质量、量化与解读。
引用
@article{arxiv.1911.04357,
title = {Limited View and Sparse Photoacoustic Tomography for Neuroimaging with Deep Learning},
author = {Steven Guan and Amir A. Khan and Siddhartha Sikdar and Parag V. Chitnis},
journal= {arXiv preprint arXiv:1911.04357},
year = {2020}
}