[论文解读] Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography

Navchetan Awasthi, Rohit Pardasani+3 more|arXiv (Cornell University)|Jan 17, 2020

Photoacoustic and Ultrasonic Imaging参考文献 28被引用 18

一句话总结

该论文提出了一种基于深度学习的纹影图超分辨率与去噪卷积神经网络（SRCN），用于从有限探测器数据中提升光声计算机断层扫描（PAT）的图像质量。通过使用带有残差学习的7层卷积神经网络对纹影图数据进行超分辨率和去噪处理，该方法有效减少了伪影和噪声，在数值模拟与活体实验中，相比传统插值法和小波去噪技术，RMSE降低达41.70%，PSNR提升6.93 dB。

ABSTRACT

The quality of the reconstructed photoacoustic image largely depends on the amount of photoacoustic (PA) boundary data available, which in turn is proportional to the number of detectors employed. In case of limited data (owing to less number of detectors due to cost/instrumentation constraints), the reconstructed PA images suffer from artifacts and are often noisy. In this work, for the first time, a deep learning based model was developed to super resolve and denoise the photoacoustic sinogram data. The proposed method was compared with existing nearest neighbor interpolation and wavelet based denoising techniques and was shown to outperform them both in numerical and in-vivo cases. The improvement obtained in Root Mean Square Error (RMSE) and Peak Signal to Noise Ratio (PSNR) for the reconstructed PA image using the sinogram data that was super-resolved and denoised using proposed neural network based method was as high as 41.70 % and 6.93 dB respectively compared to utilizing limited sinogram data.

研究动机与目标

• 为解决PAT中因探测器数据有限导致的图像质量退化问题，该问题常引发伪影与噪声。
• 开发一种数据驱动的深度学习模型，对纹影图数据进行超分辨率与去噪处理，以提高重建保真度。
• 在数值模拟与活体实验中，性能优于传统方法，如最近邻插值法与离散小波变换（MODWT）去噪。
• 提供一种可推广的、完全数据驱动的框架，适用于任意维度的纹影图数据，以提升PAT重建质量。

提出的方法

• 训练一个7层卷积神经网络（SRCN），从50个探测器获取的低分辨率、含噪纹影图中预测高分辨率、去噪后的纹影图。
• 网络采用残差学习，每个卷积层后接ReLU激活函数与批量归一化，输出残差图用于去噪纹影图重建。
• 输入纹影图通过最近邻插值法预处理，上采样至100个探测器位置后输入SRCN。
• 采用均方误差（MSE）损失函数，通过Adam优化器端到端训练模型，比较预测结果与真实纹影图。
• 在数值体模（Shepp-Logan、Derenzo）与活体大鼠脑数据上评估网络架构，通过RMSE与PSNR评估重建质量。
• 该方法完全开源，提供Python与MATLAB版本的代码，涵盖数据集生成、模型训练与推理。

实验结果

研究问题

• RQ1 深度学习模型能否有效对有限探测器数据下的光声纹影图进行超分辨率与去噪处理，从而提升图像重建质量？
• RQ2 所提出的SRCN模型在伪影抑制与噪声抑制方面，相较于传统插值法与小波去噪方法表现如何？
• RQ3 SRCN模型在不同信噪比（SNR）与体模配置下，其泛化能力如何？
• RQ4 当应用于真实生物样本中有限探测器采集的数据时，SRCN模型能否有效提升活体光声图像质量？

主要发现

• 与仅使用50个探测器的重建结果相比，SRCN在活体大鼠脑数据中实现了41.70%的RMSE降低与6.93 dB的PSNR提升。
• 在60 dB SNR的数值体模中，SRCN相比最近邻插值法与MODWT去噪，RMSE降低41.70%，PSNR提升4.26 dB。
• 在Derenzo体模中，SRCN成功清晰呈现了其他重建方法因混叠伪影而无法分辨的小半径圆。
• 在所有SNR水平（20、40、60 dB）下，SRCN均优于最近邻插值法与MODWT去噪方法，RMSE与PSNR持续提升。
• 该方法有效抑制了背景噪声，并减少了重建PA图像中的结构伪影，尤其在活体数据中表现显著，尽管因配置不匹配导致部分结构缺失。
• SRCN在未见数据上表现出强大的泛化能力，证实其在有限数据条件下的实际PAT应用中具备鲁棒性与适用性。