[论文解读] Moving Beyond Simulation: Data-Driven Quantitative Photoacoustic Imaging Using Tissue-Mimicking Phantoms.

Janek Gröhl, Thomas R. Else+4 more|arXiv (Cornell University)|Jun 11, 2023

Photoacoustic and Ultrasonic Imaging被引用 5

一句话总结

本研究提出了一种新型实验表征的组织模拟体及其数字孪生体数据集，以支持定量光声成像的监督式深度学习。在真实实验数据上训练U-Net模型显著优于基于仿真的训练方法，减少了因领域差距引起的偏差，并在蒙特卡罗光场校正方法（误差约20%）的基础上进一步提升了吸收系数估计的准确性。

ABSTRACT

Accurate measurement of optical absorption coefficients from photoacoustic imaging (PAI) data would enable direct mapping of molecular concentrations, providing vital clinical insight. The ill-posed nature of the problem of absorption coefficient recovery has prohibited PAI from achieving this goal in living systems due to the domain gap between simulation and experiment. To bridge this gap, we introduce a collection of experimentally well-characterised imaging phantoms and their digital twins. This first-of-a-kind phantom data set enables supervised training of a U-Net on experimental data for pixel-wise estimation of absorption coefficients. We show that training on simulated data results in artefacts and biases in the estimates, reinforcing the existence of a domain gap between simulation and experiment. Training on experimentally acquired data, however, yielded more accurate and robust estimates of optical absorption coefficients. We compare the results to fluence correction with a Monte Carlo model from reference optical properties of the materials, which yields a quantification error of approximately 20%. Application of the trained U-Nets to a blood flow phantom demonstrated spectral biases when training on simulated data, while application to a mouse model highlighted the ability of both learning-based approaches to recover the depth-dependent loss of signal intensity. We demonstrate that training on experimental phantoms can restore the correlation of signal amplitudes measured in depth. While the absolute quantification error remains high and further improvements are needed, our results highlight the promise of deep learning to advance quantitative PAI.

研究动机与目标

• 弥合模拟与实验光声成像数据之间的领域差距，以克服光学性质估计不准确的问题。
• 开发一种可靠、基于数据驱动的方法，利用具有已知光学性质的真实实验组织模拟体实现定量光声成像。
• 评估在实验数据上训练的深度学习模型是否能相比传统光场校正方法，提升吸收系数估计的性能。
• 在临床前活体数据上验证所学模型的性能，展示其向临床转化的潜力。

提出的方法

• 使用共聚物-油配方制备了137个圆柱形组织模拟体，其在800 nm波长下的吸收系数（µa = 0.05–4.0 cm⁻¹）和减少散射系数（µ′s = 5–15 cm⁻¹）可调。
• 利用双积分球（DIS）系统测量光学性质，建立参考真实值，不确定度估计约为20%。
• 通过蒙特卡罗模拟和k空间声学建模生成组织模拟体的数字孪生体，创建配对的模拟与实验光声图像数据。
• 在模拟和实验光声图像上分别训练U-Net神经网络，以预测像素级吸收系数（µa）。
• 将训练好的模型应用于未见的测试组织模拟体和活体小鼠数据，以评估其泛化能力及深度相关的信号恢复性能。
• 将所学方法与基于蒙特卡罗的光场校正方法进行比较，以DIS测量的光学性质作为参考基准。

实验结果

研究问题

• RQ1 在实验光声数据上训练的深度学习模型是否能相比在模拟数据上训练的模型，更准确地估计光学吸收系数？
• RQ2 模拟与实验之间的领域差距在多大程度上降低了定量光声成像的准确性？
• RQ3 所学模型在量化误差和深度相关的信号恢复方面，与传统光场校正方法相比表现如何？
• RQ4 在组织模拟体上训练的数据驱动模型是否能泛化到活体临床前数据，同时保持信号幅度与深度的相关性？
• RQ5 参考光学性质测量中的主要误差来源是什么，它们如何影响模型性能？

主要发现

• 在实验数据上训练的U-Net模型相比在模拟数据上训练的模型，能提供更准确且更鲁棒的吸收系数估计，后者引入了伪影和偏差。
• 基于蒙特卡罗的光场校正方法实现了约20%的量化误差，作为性能基准。
• 在测试组织模拟体上，实验数据训练的U-Net模型相比模拟数据训练的模型显著减少了光谱偏差，尤其在深度相关的信号估计中表现更优。
• 在血流组织模拟体上的应用表明，模拟数据训练的模型表现出波长相关的偏差，而实验数据训练的模型则保持了信号幅度随深度变化的趋势。
• 在小鼠模型中，两种基于学习的方法均成功恢复了信号强度随深度的衰减特性，与基线方法相比显著改善了与深度的相关性。
• 尽管取得这些进展，绝对量化误差仍然较高，且DIS测量的不确定性（约20%）以及建模中的近似（如二维声学、均匀材料）限制了进一步改进。