深度学习加速超分辨率光声成像

光声成像是一种混合技术，用于从尺寸从微米到毫米、深度从数百微米到几厘米的图像中获取分子、解剖和功能信息。超分辨率光声成像方法（将目标的多个图像帧叠加以实现极高的空间分辨率）可以定位非常小的目标，例如红细胞或注射染料的液滴。这种“定位成像”方法显着提高了临床研究中的空间分辨率，但是以牺牲时间分辨率为代价的。

一个跨国研究团队利用深度学习技术，在不牺牲图像质量的情况下，显着提高了光声显微镜 (PAM) 和光声计算机断层扫描 (PACT) 的图像采集速度。基于人工智能（AI）的方法，描述于 光：科学与应用，成像速度提高 12 倍，所需图像数量减少 10 倍以上。这一进步可以使定位光声成像技术在需要高速和精细空间分辨率的临床前或临床应用中使用，例如瞬时药物反应的研究。

光声成像使用光学激发和超声波检测来实现多尺度 体内 成像。该技术的工作原理是将短激光脉冲照射到生物分子上，生物分子吸收激发光脉冲，经历瞬态热弹性膨胀，并将其能量转化为超声波。然后，这些光声波由超声换能器检测并用于生成 PAM 或 PACT 图像。

研究人员 浦项科技大学 （浦项科技大学）和 美国加州理工学院 开发了一种基于深度神经网络（DNN）的计算策略，可以从更少的原始图像帧中重建高密度超分辨率图像。基于深度学习的框架采用两种不同的 DNN 模型：用于体积无标签定位光学分辨率 PAM (OR-PAM) 的 3D 模型；以及平面标记定位 PACT 的 2D 模型。

首席研究员 金哲洪, 浦项科技大学院长 医疗器械创新中心， 和同事解释说，用于定位 OR-PAM 的网络包含 3D 卷积层，以维护体积图像的 3D 结构信息，而用于定位 PACT 的网络则包含 2D 卷积层。 DNN 从稀疏或密集的基于定位的光声图像中学习体素到体素或像素到像素的变换。研究人员同时训练两个网络，随着训练的进行，网络学习真实图像的分布并合成与真实图像更相似的新图像。

为了测试他们的方法，研究人员使用 OR-PAM 对小鼠耳朵的感兴趣区域进行成像。他们使用 60 个随机选择的帧重建了密集的定位 OR-PAM 图像，用作训练的目标和评估的基本事实。他们还使用更少的帧重建稀疏定位 OR-PAM 图像，以输入到 DNN 中。密集图像的成像时间为 30 秒，而使用 2.5 帧的稀疏图像的成像时间仅为 XNUMX 秒。

与稀疏图像相比，密集图像和 DNN 生成的图像具有更高的信噪比和更好的可视化血管连接性。值得注意的是，稀疏图像中不可见的血管在基于 DNN 定位的图像中以高对比度显示出来。

研究人员还使用 PACT 对小鼠大脑进行成像 体内 注射染料液滴后。他们使用 240,000 个染料液滴重建了密集定位 PACT 图像，并使用 20,000 个液滴重建了稀疏图像。成像时间从密集图像的 30 分钟减少到稀疏图像的 2.5 分钟。稀疏图像中的血管形态很难识别，而 DNN 和密集图像可以清晰地显示微血管系统。

将 DNN 框架应用于光声成像的一个特殊优势是它是可扩展的，从显微镜到计算机断层扫描，因此可用于不同规模的各种临床前和临床应用。一种实际应用是诊断需要准确结构信息的皮肤状况和疾病。由于该框架可以显着减少成像时间，因此可以监测大脑血流动力学和神经元活动。

作者总结道：“时间分辨率的提高使得通过更高速率的采样实现高质量监测成为可能，从而可以分析传统低时间分辨率无法观察到的快速变化。”

该职位 深度学习加速超分辨率光声成像 最早出现 物理世界.

• 硬币聪明。 欧洲最好的比特币和加密货币交易所。
• 柏拉图区块链。 Web3 元宇宙智能。 知识放大。 自由登入。
• 加密鹰。 山寨币雷达。 免费试用。
• 资料来源：https://physicalsworld.com/a/deep-learning-accelerates-super-resolution-photoacoustic-imaging/