[论文解读] Local context encoding enables machine learning-based quantitative photoacoustics.

Thomas Kirchner, Janek Gröhl+1 more|arXiv (Cornell University)|Jun 12, 2017

Photoacoustic and Ultrasonic Imaging参考文献 41被引用 7

一句话总结

本文提出一种基于机器学习的定量光声断层扫描（qPAT）方法，采用局部上下文编码（LCE），通过编码体素级信号和系统特性，从单张模拟PAT图像生成数千个训练样本。该方法可实现对局部光fluence、光学吸收系数及组织氧合水平的高精度、高鲁棒性定量分析，适用于单波长与多波长PAT数据。

ABSTRACT

Real-time monitoring of functional tissue parameters, such as local blood oxygenation, based on optical imaging could provide groundbreaking advances in the diagnosis and interventional therapy of various diseases. While photoacoustic (PA) imaging is a novel imaging concept with great potential to measure optical absorption deep inside tissue, quantification of the measurements remains a major challenge to be addressed. In this paper, we introduce the first machine learning-based approach to quantitative PA tomography (qPAT), which relies on learning the fluence in a voxel to deduce the corresponding optical absorption. The bottleneck of training data generation is overcome by encoding relevant information of the measured signal and the characteristics of the imaging system in voxel-based context images, which allow the generation of thousands of training samples from a single simulated PAT image. Comprehensive in silico experiments demonstrate that the concept of local context encoding (LCE) enables highly accurate and robust quantification (1) of the local fluence and the optical absorption from single wavelength PAT images as well as (2) of local oxygenation from multi wavelength PAT images.

研究动机与目标

• 为解决光声断层扫描（PAT）中功能组织参数（如血氧饱和度）的精确且鲁棒的定量分析挑战。
• 通过从单张模拟PAT图像高效生成训练数据，克服机器学习模型在qPAT中训练数据生成的瓶颈。
• 开发一种可学习体素级光fluence以推断光学吸收系数的方法，实现高精度的定量成像。
• 将该方法扩展至多波长PAT，实现局部氧合水平的定量分析，提升其在临床诊断中的应用潜力。

提出的方法

• 提出局部上下文编码（LCE）技术，将空间信息与系统特异性信息（如信号特性与成像几何）编码为体素级上下文图像。
• 将上下文图像作为输入送入机器学习模型，以预测局部光fluence，进而推断光学吸收系数。
• 通过在上下文编码框架内施加空间与系统相关的扰动，从单张模拟PAT图像生成数千个多样化训练样本。
• 采用端到端训练的深度学习架构，将编码后的上下文图像映射至局部光fluence与吸收值，实现对单波长与多波长PAT数据的推理。
• 利用计算机仿真模拟在受控条件下训练与验证模型，确保其在多种组织结构与光学特性下的鲁棒性。
• 将训练好的模型应用于高空间分辨率的局部光fluence与吸收系数重建，实现对功能组织参数的定量评估。

实验结果

研究问题

• RQ1 局部上下文编码能否有效从单张模拟图像生成足够且多样化的训练数据，以支持机器学习模型在定量PAT中的应用？
• RQ2 基于LCE训练的机器学习模型在多大程度上能准确重建单波长PAT数据中的局部光fluence与光学吸收系数？
• RQ3 基于LCE的方法能否实现对多波长PAT图像中组织氧合水平的鲁棒且精确的定量分析？
• RQ4 在不同组织与成像条件下，LCE方法在准确度与鲁棒性方面相较于传统qPAT技术表现如何？

主要发现

• 局部上下文编码可从单张模拟PAT图像生成数千个训练样本，有效克服了qPAT中机器学习数据密集型训练的主要瓶颈。
• 该方法在单波长PAT图像中实现了对局部光fluence与光学吸收系数的高精度重建，其定量性能通过全面的计算机仿真实验得到验证。
• 该方法可实现对多波长PAT数据中局部组织氧合水平的鲁棒定量分析，展现出其在功能成像应用中的潜力。
• 模型对组织结构与光学特性的变化表现出高度鲁棒性，表明其在多种解剖场景下具有强大的泛化能力。
• 将系统特异性与信号相关上下文信息整合至体素级表征，显著提升了模型性能与数据效率。
• 结果表明，基于LCE的机器学习方法是传统迭代重建方法在定量光声成像中的一种可行且强大的替代方案。