[论文解读] Estimation of blood oxygenation with learned spectral decoloring for quantitative photoacoustic imaging (LSD-qPAI)

Janek Gröhl, Thomas Kirchner+2 more|arXiv (Cornell University)|Feb 15, 2019

Photoacoustic and Ultrasonic Imaging参考文献 17被引用 21

一句话总结

本文提出LSD-qPAI，一种深度学习方法，通过学习补偿光通量引起的光谱着色效应，直接从多光谱光声初始压力光谱估计血氧饱和度（sO₂）。该模型在蒙特卡罗模拟的体外数据上进行训练，可在体内实现生理上合理的sO₂估计，其结果在合理性方面优于线性光谱解混方法，尽管训练过程中未使用真实sO₂标签。

ABSTRACT

One of the main applications of photoacoustic (PA) imaging is the recovery of functional tissue properties, such as blood oxygenation (sO2). This is typically achieved by linear spectral unmixing of relevant chromophores from multispectral photoacoustic images. Despite the progress that has been made towards quantitative PA imaging (qPAI), most sO2 estimation methods yield poor results in realistic settings. In this work, we tackle the challenge by employing learned spectral decoloring for quantitative photoacoustic imaging (LSD-qPAI) to obtain quantitative estimates for blood oxygenation. LSD-qPAI computes sO2 directly from pixel-wise initial pressure spectra Sp0, which are vectors comprised of the initial pressure at the same spatial location over all recorded wavelengths. Initial results suggest that LSD-qPAI is able to obtain accurate sO2 estimates directly from multispectral photoacoustic measurements in silico and plausible estimates in vivo.

研究动机与目标

• 解决由于波长依赖的光通量效应导致定量光声成像（qPAI）中血氧饱和度（sO₂）估计不准确的挑战。
• 开发一种快速、数据驱动的方法，避免对复杂模型校正或真实数据校准的需求。
• 直接从像素级初始压力光谱（S_p₀）估计sO₂，避免因中间光学性质估计引入的误差传播。
• 提高在真实体内环境中（尤其是深层或异质组织）sO₂估计的鲁棒性和生理合理性。
• 证明学习到的光谱去着色可优于标准线性光谱解混方法，在生理一致性方面表现更优。

提出的方法

• 该方法训练神经网络，直接将像素级初始压力光谱 S_p₀ ∈ ℝⁿ 映射到 sO₂ ∈ ℝ，学习补偿光通量引起的光谱失真。
• 训练数据通过在不同组织几何结构和sO₂水平下进行多光谱光声图像的蒙特卡罗模拟生成，以模拟真实的光谱着色效应。
• 输入光谱经过归一化处理，以消除振幅信息，从而无需将模拟数据校准至真实测量值。
• 网络在体外模拟生成的 (S_p₀, sO₂) 数据对上进行训练，以sO₂为目标，实现光通量补偿的端到端学习。
• 对训练数据进行主成分分析（PCA），用于可视化和验证模拟光谱与体内光谱之间的分布一致性。
• 该方法不显式估计光学吸收率或光通量，但隐式学习了在不同光通量条件下光谱形状与sO₂之间的关系。

实验结果

研究问题

• RQ1 仅在体外模拟数据上训练的深度学习模型，能否直接从多光谱初始压力光谱中估计出具有高度生理合理性的sO₂？
• RQ2 学习校正光谱着色效应是否能在真实体内场景中提升sO₂估计的准确性，相比线性光谱解混方法？
• RQ3 不同组织（如大脑与前臂）的体内光谱与模拟训练数据的分布对齐程度如何？
• RQ4 由于训练中缺乏真实sO₂标签，对估计值的鲁棒性和可靠性会产生多大影响？
• RQ5 该方法能否泛化至模拟中未包含的色素成分的组织（如皮肤中的黑色素）？

主要发现

• LSD-qPAI生成的sO₂估计值在深层或复杂组织结构中比线性光谱解混方法更具生理合理性。
• 猪脑组织的体内结果经PCA验证，与训练数据分布对齐良好，表明该方法对类似组织类型具有良好的泛化能力。
• 含有模拟中未建模色素（如黑色素）的前臂体内光谱与训练数据分布对齐较差，表明在未建模色素组织中泛化能力有限。
• 由于振幅归一化消除了对绝对p₀校准的需求，该方法无需校准真实数据即可实现准确的sO₂估计。
• 网络通过光谱形状隐式学习补偿光通量效应，无需显式估计光通量或吸收系数。
• 尽管训练数据有限且未建模真实噪声，该方法仍展现出有前景的初步结果，表明在进一步验证后具备临床转化潜力。