[论文解读] DALnet: High-resolution photoacoustic projection imaging using deep learning

Johannes Schwab, Stephan Antholzer+2 more|arXiv (Cornell University)|Jan 20, 2018

Photoacoustic and Ultrasonic Imaging参考文献 5被引用 8

一句话总结

本文提出DALnet，一种基于深度学习的框架，结合动态孔径长度（DAL）校正与卷积神经网络（CNN），实现快速、高分辨率的光声投影成像。通过解决稀疏探测器阵列中的欠采样、模糊和有限视角伪影问题，DALnet可在不到一秒的时间内生成精确的3D图像，且无需迭代重建。

ABSTRACT

Photoacoustic tomography (PAT) is an emerging and non-invasive hybrid imaging modality for visualizing light absorbing structures in biological tissue. The recently invented PAT systems using arrays of 64 parallel integrating line detectors allow capturing photoacoustic projection images in fractions of a second. Standard image formation algorithms for this type of setup suffer from under-sampling due to the sparse detector array, blurring due to the finite impulse response of the detection system, and artifacts due to the limited detection view. To address these issues, in this paper we develop a new direct and non-iterative image reconstruction framework using deep learning. Within this approach we combine the dynamic aperture length (DAL) correction algorithm with a deep convolutional neural network (CNN). As demonstrated by simulation and experiment, the resulting DALnet is capable of producing high-resolution projection images of 3D structures in fractions of seconds.

研究动机与目标

• 解决使用稀疏探测器阵列时标准成像方法在光声计算机断层扫描中的局限性。
• 克服投影成像中因探测器响应有限导致的欠采样与模糊，以及视角限制带来的伪影。
• 开发一种直接的、非迭代的重建方法，实现实时、高分辨率成像。
• 将动态孔径长度校正与深度学习相结合，以提升图像质量和分辨率。

提出的方法

• 将动态孔径长度（DAL）校正算法与深度卷积神经网络（CNN）结合，用于图像重建。
• 利用DAL校正根据源与探测器几何关系动态建模有效孔径尺寸。
• 在模拟和实验数据上端到端训练CNN，学习从原始投影数据到高分辨率图像的映射关系。
• 设计CNN架构以保留精细空间细节，并抑制稀疏采样与有限视角带来的伪影。
• 直接将训练好的模型应用于新数据，实现实时、非迭代的图像重建。
• 结合模拟与实验验证，确保方法的鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 深度学习框架能否有效校正稀疏探测器阵列在光声投影成像中的欠采样与模糊问题？
• RQ2 将DAL校正与CNN结合后，相较于传统方法，图像分辨率如何提升，伪影如何减少？
• RQ3 所提出方法在保持高图像保真度的前提下，能在多大程度上实现实时、非迭代重建？
• RQ4 DALnet在不同3D结构与成像条件下，性能表现如何？

主要发现

• DALnet可在不到一秒的时间内成功生成高分辨率光声投影图像，实现真正意义上的实时成像。
• 将DAL校正与CNN结合，显著减少了因探测视角有限和采样稀疏导致的伪影。
• 在模拟与实验环境中均验证了图像质量的提升，空间分辨率增强，模糊现象减少。
• 该方法实现了非迭代重建，避免了迭代算法带来的计算负担。
• 通过合成数据与真实数据的验证，框架在不同3D结构上表现出良好的泛化能力。
• 结果证实，深度学习方法能有效从原始投影数据中学习复杂的图像重建映射。