[論文レビュー] Optical Inversion and Spectral Unmixing of Spectroscopic Photoacoustic Images with Physics-Informed Neural Networks

Sarkis Ter Martirosyan, Huang, Xinyue+3 more|arXiv (Cornell University)|Feb 18, 2026

Photoacoustic and Ultrasonic Imaging被引用数 0

ひとこと要約

SPOI-AE は ground-truth ラベルなしで光学 inversion と in vivo 光分光 photoacoustic 画像のスペクトル混合を実行する物理情報付き自動エンコーダであり、従来の線形法を上回る。

ABSTRACT

Accurate estimation of the relative concentrations of chromophores in a spectroscopic photoacoustic (sPA) image can reveal immense structural, functional, and molecular information about physiological processes. However, due to nonlinearities and ill-posedness inherent to sPA imaging, concentration estimation is intractable. The Spectroscopic Photoacoustic Optical Inversion Autoencoder (SPOI-AE) aims to address the sPA optical inversion and spectral unmixing problems without assuming linearity. Herein, SPOI-AE was trained and tested on extit{in vivo} mouse lymph node sPA images with unknown ground truth chromophore concentrations. SPOI-AE better reconstructs input sPA pixels than conventional algorithms while providing biologically coherent estimates for optical parameters, chromophore concentrations, and the percent oxygen saturation of tissue. SPOI-AE's unmixing accuracy was validated using a simulated mouse lymph node phantom ground truth.

研究の動機と目的

• スペクトル光音響（sPA）画像からクロモフォア濃度と組織 SO2 の正確な推定を動機づける。
• sPA 光学 inversion の非線形性と病的条件付けを自己教師あり深層学習フレームワークで解決する。
• 光学パラメータとクロモフォア濃度を共同推定する物理情報付きオートエンコーダを開発する。
• in vivo マウスリンパ節データで再構成品質と生物学的に整合したパラメータ推定が改善されることを示す。

提案手法

• 拡散ベースの光輸送と吸収スペクトルへのリンクを用いてsPA前方問題をモデル化する。
• SPOI-AE を用いて吸収係数 mu_a と再減衰散乱係数 mu_s' をそれぞれ二つのFCNN（mu_a-Net と mu_s' -Net）で個別に推定する。
• 吸収スペクトルを重み付きスペクトルとして mu_a を分解して混合色素を分離し、相対濃度 c を得る。
• 推定された mu_a および mu_s' から物理ベースの前方モデル（および低ランクの mu_a 再構成）を通して p を再構成する決定論的デコーディング段を用いる。
• 自己教師ありで訓練し、MSE と波長依存のスペクトル-角距離（MSAD）項を組み合わせた損失を用いて学習する。
• Lit. NLS および NMF のベースラインと比較し、波長ごとの GoF（R^2）で評価する。

実験結果

リサーチクエスチョン

• RQ1 物理情報を組み込んだオートエンコーダは ground-truth 濃度がなくても sPA 問題を正確に反転し、スペクトル色素スペクトルを混合できるか。
• RQ2 光通量補償と光輸送物理を組み込むことで in vivo のスペクトル混合と SO2 推定は改善されるか。
• RQ3 SPOI-AE の性能は従来の線形混合法（NLS,NMF）と比べて再構成誤差と波長依存 GoF の点でどうか。
• RQ4 訓練中に吸収スペクトルを改良してスペクトル着色と非線形効果をより適切に扱えるか。

主な発見

Algorithm	MSE	MSAD
Lit NLS	0.0270	0.194
NMF	0.0259	0.198
Adjusted E, beta=5 (SPOI-AE)	0.0114	0.096
Adjusted E, beta=0 (SPOI-AE)	0.0124	0.116
Fixed E, beta=5 (SPOI-AE)	0.0126	0.100
Fixed E, beta=0 (SPOI-AE)	0.0140	0.122

• 調整済みスペクトルと beta=5 の SPOI-AE バリアントは testing セットで最良の MSE（0.0114）と MSAD（0.096）を達成。
• 波長全体で、調整済み E と beta=5 の SPOI-AE は testing セットで最高の R^2 GoF（0.897）を低分散（0.0331）とともに得た。
• SPOI-AE は Lit. NLS および NMF を MSE/MSAD および波長ごとの GoF の双方で上回り、入力 sPA ピクセルの再構成が優れていることを示す。
• 訓練中の吸収スペクトルの改良はスペクトル混合性能と GoF を向上させ、残存非線形性の補償を示唆する。
• 本アプローチは in vivo で mu_a, mu_s', クロモフォア濃度、SO2 について生物学的に整合した推定を生み出す。