文章摘要
卢孟阳,李博艺,朱志斌,刘成成,刘欣,他得安.基于无监督学习的高分辨光声重建[J].声学技术,2022,41(3):369~375
基于无监督学习的高分辨光声重建
High resolution optoacoustic reconstruction based on unsupervised learning
投稿时间:2022-05-20  修订日期:2022-06-18
DOI:10.16300/j.cnki.1000-3630.2022.03.009
中文关键词: 光声断层成像  无监督学习  点扩散函数  高分辨重建
英文关键词: optoacoustic tomography (OAT)  unsupervised learning  point spread function (PSF)  high-resolution reconstruction
基金项目:国家自然科学基金(12034005、61871263)。
作者单位E-mail
卢孟阳 复旦大学工程与应用技术研究院, 上海 200433  
李博艺 复旦大学工程与应用技术研究院, 上海 200433  
朱志斌 河西学院物理与机电工程学院, 甘肃张掖 734000  
刘成成 复旦大学工程与应用技术研究院, 上海 200433  
刘欣 复旦大学工程与应用技术研究院, 上海 200433 xin_liu@fudan.edu.cn 
他得安 复旦大学工程与应用技术研究院, 上海 200433
复旦大学生物医学工程中心, 上海 200433 
tda@fudan.edu.cn 
摘要点击次数: 492
全文下载次数: 297
中文摘要:
      光声断层成像(Optoacoustic Tomography,OAT)是一种新兴的生物医学成像技术,在基础医学研究与临床实践中具有重要作用。针对现有光声断层成像空间分辨率较低的问题,提出了一种结合物理点扩散函数(Point Spread Function,PSF)模型和卷积神经网络(Convolutional Neural Network,CNN)的新型高分辨光声重建网络方法(Physical Attention U-Net,Phys-AU-Net)。该方法采用无监督学习策略,结合物理PSF模型和基于注意力机制的U-Net网络。其中,物理PSF模型用于完成对衍射受限机制的模拟,基于注意力机制的U-Net网络用于实现对高密度重叠吸收体图像的特征提取。在二者共同作用下,Phys-AU-Net突破了声衍射极限对于OAT成像空间分辨率的限制。实验结果表明,Phys-AU-Net能够有效实现对声衍射受限光声断层图像的高分辨重建,其性能相较于U-Net网络具有较大程度提升,在结构相似性指标(Structural Similarity,SSIM)方面提升了43.5%,在峰值信噪比(Peak Signal to Noise Ratio,PSNR)方面提升了11.2%,对临床研究及诊断具有重要意义。
英文摘要:
      Optoacoustic tomography (OAT) is a new biomedical imaging technology, which plays an important role in medical research and clinical practice. Considering the problems of low resolution in optoacoustic tomography, a new high-resolution reconstruction network (Phys-AU-Net) combining physical point spread function (PSF) and convolutional neural network (CNN) is proposed in this paper. Briefly, the proposed method adopts an unsupervised learning strategy, and combines a point spread function (PSF) model and the U-Net based on the attention mechanism. Among these, the PSF model is used to simulate the diffraction limited mechanism, and the U-Net network based on attention mechanism is used to complete the feature extraction of high-density images. The experimental results show that compared with U-Net, the Phys-AU-Net improves the structural similarity (SSIM) by 43.5% and the peak signal to noise ratio (PSNR) by 11.2%, which provides a great potential in clinical research and diagnosis.
查看全文   查看/发表评论  下载PDF阅读器
关闭