光声数字脑：基于深度学习的数值建模与图像重建

光声断层成像（PAT）是一种新近发展的医学成像模态，它结合了纯光学成像与超声成像的优势，兼具高光学对比度与深穿透深度。最近，PAT 被用于人脑成像研究。然而，当超声波穿过人颅骨组织时，会发生强烈的声衰减与像差，导致光声信号失真。本工作中，我们使用 10 个磁共振血管造影（MRA）人脑体积，并手动分割以获得用于 PAT 的二维人脑数值体模。该数值体模包含头皮、颅骨、白质、灰质、血管与大脑皮层六种组织。为每个数值体模中的各类组织赋予光学特性。随后，采用基于 Monte-Carlo 的光学仿真获得光声初始压力。接着，我们进行两种 k-wave 仿真：一种考虑非均匀介质与非均匀声速，另一种不考虑。然后，以前者的传感器数据作为 U-net 的输入，以后者的传感器数据作为 U-net 的输出训练网络。我们随机选取 7 个人脑 PA 正弦图作为训练集，3 个人脑 PA 正弦图作为测试集。测试结果表明，我们的方法可校正颅骨声像差，并满意地获取人脑内部血管分布。