[论文解读] OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing

Fırat Özdemir, Berkan Lafci+3 more|arXiv (Cornell University)|Jun 17, 2022

Photoacoustic and Ultrasonic Imaging被引用 4

一句话总结

本文介绍了 OADAT，这是一个标准化的光声（OA）原始信号与重建图像数据集，涵盖多种采集几何结构和参数，支持数据驱动的光声图像处理方法的基准测试。该数据集包含44项标准化实验，训练了用于有限视角重建、欠采样伪影抑制和解剖结构分割的深度学习模型，并提供了开源代码，以加速临床光声成像中的可重复研究。

ABSTRACT

Optoacoustic (OA) imaging is based on excitation of biological tissues with nanosecond-duration laser pulses followed by subsequent detection of ultrasound waves generated via light-absorption-mediated thermoelastic expansion. OA imaging features a powerful combination between rich optical contrast and high resolution in deep tissues. This enabled the exploration of a number of attractive new applications both in clinical and laboratory settings. However, no standardized datasets generated with different types of experimental set-up and associated processing methods are available to facilitate advances in broader applications of OA in clinical settings. This complicates an objective comparison between new and established data processing methods, often leading to qualitative results and arbitrary interpretations of the data. In this paper, we provide both experimental and synthetic OA raw signals and reconstructed image domain datasets rendered with different experimental parameters and tomographic acquisition geometries. We further provide trained neural networks to tackle three important challenges related to OA image processing, namely accurate reconstruction under limited view tomographic conditions, removal of spatial undersampling artifacts and anatomical segmentation for improved image reconstruction. Specifically, we define 44 experiments corresponding to the aforementioned challenges as benchmarks to be used as a reference for the development of more advanced processing methods.

研究动机与目标

• 为解决光声（OA）图像处理领域缺乏标准化、开放获取数据集的问题，该问题阻碍了新旧方法之间的客观比较。
• 支持对临床光声成像中关键挑战的数据驱动方法进行基准测试：有限视角重建、空间欠采样伪影处理以及解剖结构分割。
• 通过提供实验与合成光声数据、一致的元数据和处理流程，支持可重复研究。
• 通过提供统一的参考框架，加速临床光声成像领域的创新，用于评估新型处理算法。

提出的方法

• 作者使用不同的探头阵列、波长和采集几何结构，在健康人体志愿者上收集了44组实验性光声数据。
• 利用真实组织模型中光传播与声波生成的物理模型，生成了合成光声数据。
• 在 OADAT 数据集上端到端训练了深度学习模型（包括 modUNet），以解决三大核心挑战：有限视角重建、稀疏采样导致的伪影抑制以及通过解剖结构分割提升重建质量。
• 该数据集包含多种实验条件下采集的原始压力信号（100×2030×256）和对应的重建图像（100×256×256）。
• 所有模型均使用托管在 oadat-evaluate 仓库中的统一代码库进行训练与评估，支持推理、微调和模型评估功能。
• 该数据集托管于苏黎世联邦理工学院（ETH Zurich）的研究成果库中，并配有 DOI，确保长期持久性和在 CC-BY-NC 许可下的开放获取。

实验结果

研究问题

• RQ1 标准化、开放获取的光声数据集能否提升临床光声成像中图像处理方法的可重复性与客观基准测试水平？
• RQ2 深度学习模型在从有限视角和欠采样数据中重建高质量光声图像方面的有效性如何？
• RQ3 通过深度学习实现的解剖结构分割在多大程度上能提升光声重建的准确性和定量性？
• RQ4 合成数据能否有效模拟真实实验条件，以支持光声处理算法的训练与验证？
• RQ5 物理建模与数据驱动学习的结合在多大程度上增强了光声图像重建的鲁棒性？

主要发现

• OADAT 提供了44项在多样化采集参数下标准化的实验，支持对新型图像处理算法的一致性评估。
• 训练后的 modUNet 模型在有限视角和稀疏采样条件下显著提升了图像质量，减少了伪影并增强了分辨率。
• 通过深度学习实现的解剖结构分割通过在异质组织中正确分配声速与光通量值，提高了重建的准确性。
• 合成数据在信号特征上与实验数据高度一致，验证了其在训练和泛化中的实用性。
• 开源代码库与预训练模型使研究人员能够复现结果、微调模型，并以最小配置将 OADAT 集成到新工作流中。
• 该数据集已实现持久化托管，配有 DOI 并保证10年保留，确保研究社区的长期可访问性。