[논문 리뷰] Optical Inversion and Spectral Unmixing of Spectroscopic Photoacoustic Images with Physics-Informed Neural Networks

Sarkis Ter Martirosyan, Huang, Xinyue외 3명|arXiv (Cornell University)|2026. 02. 18.

Photoacoustic and Ultrasonic Imaging인용 수 0

한 줄 요약

SPOI-AE는 ground-truth 레이블 없이 in vivo 분광 광음향 이미지의 광학 반전과 분광 혼합을 수행하는 물리정보 기반 자동인코더를 학습시키고, 기존의 선형 방법들보다 성능이 우수하다.

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.

연구 동기 및 목표

• 분광 광음향(sPA) 이미지에서 크로모포어 농도와 조직의 SO2를 정확하게 추정하는 데 동기를 부여한다.
• 자기감독 학습 딥러닝 프레임워크를 통해 sPA 광학 반전에서의 비선형성 및 반정형성(ill-posedness)을 해결한다.
• 광학 파라미터와 크로모포어 농도를 공동으로 추정하기 위해 물리정보 기반 자동인코더를 개발한다.
• 생체 내 마우스 림프절 데이터에서 재구성 품질이 향상되고 생물학적으로 일관된 파라미터 추정치를 시연한다.

제안 방법

• 확산 기반 광학 수송과 흡수 스펙트럼과의 연계를 이용하여 sPA 정방향 문제를 모델링한다.
• mu_a-Net과 mu_s'-Net의 두 FCNN를 통해 흡수계수 mu_a와 감소된 산란계수 mu_s'를 각각 추정하기 위해 SPOI-AE를 사용한다.
• mu_a를 가중 흡수 스펙트럼으로 분해하여 상대 농도 c를 얻어 크로모포어를 미분리한다.
• 추정된 mu_a와 mu_s'로 물리 기반의 순방향 모델을 통해 p를 재구성하는 결정론적 디코딩 단계를 활용한다(그리고 저랭크(mu_a) 재구성 포함).
• MSE와 파장 의존 스펙트럴-각도 거리(MSAD) 항을 혼합한 결합 손실을 사용하여 자기감독 방식으로 학습한다.
• Lit. NLS 및 NMF 베이스라인과의 비교 및 파장별 R^2 GoF를 활용한 평가.

실험 결과

연구 질문

• RQ1 물리정보 기반 자동인코더가 ground-truth 농도 없이도 sPA 문제를 정확하게 역산하고 크로모포어 스펙트럼을 분리할 수 있는가?
• RQ2 플루앙스 보상과 광학 수송 물리학을 포함하는 것이 생체 내에서의 스펙트럼 분해 및 SO2 추정치를 향상시키는가?
• RQ3 재구성 오차 및 파장 의존적 GoF 측면에서 SPOI-AE의 성능이 전통적인 선형 분해(NLS, NMF)와 비교하여 어떠한가?
• RQ4 흡수 스펙트럼을 학습 중에 다듬어 스펙트럴 컬러링과 비선형 효과를 더 잘 반영할 수 있는가?

주요 결과

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

• 조정된 스펙트럼과 beta=5를 가진 SPOI-AE 변형들이 테스트 세트에서 최상의 MSE(0.0114)와 MSAD(0.096)를 달성했다.
• 파장 전반에 걸쳐 조정된 E와 beta=5를 갖춘 SPOI-AE가 테스트 세트에서 가장 높은 R^2 GoF(0.897) 및 낮은 분산(0.0331)을 달성했다.
• SPOI-AE는 MSE/MSAD 및 파장별 GoF에서 Lit. NLS 및 NMF를 능가하여 입력 sPA 픽셀의 재구성에서 우수함을 보여준다.
• 학습 중 흡수 스펙트럼을 다듬는 것이 분광 혼합 성능과 GoF를 향상시키며 잔류 비선형성에 대한 보정을 시사한다.
• 이 방법은 mu_a, mu_s', 크로모포어 농도 및 in vivo에서의 SO2에 대해 생물학적으로 일관된 추정치를 제공한다.