[论文解读] Photoacoustic Image Reconstruction Beyond Supervised to Compensate Limit-view and Remove Artifacts

Hengrong Lan, Changchun Yang+2 more|arXiv (Cornell University)|Dec 4, 2020

Photoacoustic and Ultrasonic Imaging被引用 2

一句话总结

本文提出 BSR-Net，一种新颖的深度学习框架，可在无需完美真实标签的情况下，仅从有限视角数据重建无伪影的全视角光声图像。通过采用带位置信息输入的残差网络结构及两种自定义损失函数，BSR-Net 即使在真实标签不完美时也能显著减少伪影，在数值实验与活体实验中均表现出优越性能。

ABSTRACT

Photoacoustic computed tomography (PACT) reconstructs the initial pressure distribution from raw PA signals. Standard reconstruction always induces artifacts using limited-view signals, which are influenced by limited angle coverage of transducers, finite bandwidth, and uncertain heterogeneous biological tissue. Recently, supervised deep learning has been used to overcome limited-view problem that requires ground-truth. However, even full-view sampling still induces artifacts that cannot be used to train the model. It causes a dilemma that we could not acquire perfect ground-truth in practice. To reduce the dependence on the quality of ground-truth, in this paper, for the first time, we propose a beyond supervised reconstruction framework (BSR-Net) based on deep learning to compensate the limited-view issue by feeding limited-view position-wise data. A quarter position-wise data is fed into model and outputs a group full-view data. Specifically, our method introduces a residual structure, which generates beyond supervised reconstruction result, whose artifacts are drastically reduced in the output compared to ground-truth. Moreover, two novel losses are designed to restrain the artifacts. The numerical and in-vivo results have demonstrated the performance of our method to reconstruct the full-view image without artifacts.

研究动机与目标

• 为解决由于换能器角度覆盖范围有限及组织异质性导致的光声计算机断层扫描（PACT）中持续存在的伪影问题。
• 克服监督式深度学习在 PACT 中的局限性，即其对高质量真实标签的依赖，而此类标签在实际中往往难以获得。
• 通过引入一种超越监督学习的方法，开发一种降低对真实标签质量依赖的重建框架。
• 利用数据高效、基于位置信息的训练策略，实现从有限视角输入中高保真地重建全视角图像。

提出的方法

• 采用残差网络架构学习从有限视角到全视角光声图像的映射，实现有效特征学习与伪影抑制。
• 仅使用有限视角输入中四分之一的位置信息数据进行训练，提升数据效率并降低计算负载。
• 设计两种新颖的损失函数，专门针对重建图像中的伪影进行抑制，提升图像保真度。
• 该框架采用超越监督的学习方式，即无需完美真实标签，因而对真实世界数据的不完美具有鲁棒性。
• 利用空间位置信息引导重建过程，确保全视角输出的结构一致性。
• 网络端到端训练，直接从有限视角信号生成全视角图像，最大限度减少先验假设。

实验结果

研究问题

• RQ1 能否在不依赖完美真实标签的前提下，通过深度学习框架从有限视角数据中重建全视角光声图像？
• RQ2 当真实标签不完美或不可用时，超越监督学习方法在减少伪影方面的有效性如何？
• RQ3 在有限视角光声图像重建中，哪种损失函数最有效地抑制伪影？
• RQ4 基于位置信息的数据输入策略是否能在极小数据量下提升重建质量？
• RQ5 在缺乏高质量训练标签的情况下，残差网络架构如何有助于减少伪影？

主要发现

• BSR-Net 即使在未使用完美真实标签训练的情况下，也能成功重建伪影显著减少的全视角光声图像。
• 与标准监督方法相比，该方法在真实标签受损的场景下，伪影抑制能力表现更优。
• 所提出的两种新损失函数通过在训练过程中针对性抑制伪影生成，显著提升了图像质量。
• 数值结果证实，在有限视角条件下，BSR-Net 的图像保真度优于基线方法。
• 活体实验表明 BSR-Net 在真实生物组织中的实际可行性，展现出明显的伪影减少与更清晰的结构细节。
• 训练过程中仅使用四分之一的位置信息数据，仍能保持高重建质量，证明了其数据效率。