超越仿真:基于组织仿体数据的驱动式定量光声成像

从光声成像(PAI)数据中精确测量光学吸收系数将实现分子浓度的直接映射,提供重要的临床洞察。吸收系数恢复问题的不适定性由于仿真与实验之间的域差距,阻碍了 PAI 在生命系统中实现该目标。为弥合这一差距,我们引入了一套实验表征良好的成像仿体及其数字孪生。这一首创的仿体数据集使得能够在实验数据上监督训练 U-Net 以进行吸收系数的逐像素估计。我们表明,在仿真数据上训练会导致估计中的伪影与偏差,印证了仿真与实验之间域差距的存在。然而,在实验采集数据上训练产生了更精确且鲁棒的光学吸收系数估计。我们将结果与基于材料参考光学属性的蒙特卡洛模型光通量校正进行比较,后者产生约 20% 的量化误差。将训练好的 U-Net 应用于血流仿体时,在仿真数据上训练表现出光谱偏差,而应用于小鼠模型则凸显了两种基于学习的方法恢复深度依赖信号强度损失的能力。我们证明在实验仿体上训练可恢复深度测量信号幅度的相关性。尽管绝对量化误差仍然较高且需进一步改进,我们的结果凸显了深度学习推进定量 PAI 的前景。