重点关注本文如何设计、获取、处理光声数据集,算法之类的略过。本文甚至没有用任何实验数据,全部是模拟仿真,只有最后的验证集是小鼠大脑血管数据,这就是2019年的论文水平。。。。
原文标题:Fully Dense UNet for 2-D Sparse Photoacoustic Tomography Artifact Removal
原文链接:https://ieeexplore.ieee.org/abstract/document/8697107#full-text-header
这些实验使用了合成和解剖学上逼真的数据集,以探究卷积神经网络(特别是UNet和FD-UNet)在从光声断层成像(PAT)图像中去除伪影的有效性。下面是关于数据集的总结:
用于训练和测试的合成数据
- 生成工具: 使用k-Wave(一个用于模拟光声波场的MATLAB工具箱)生成合成训练和测试数据。
- 初始条件: 每个数据集以定义在128×128像素网格上的初始光声源开始。模拟环境是非吸收的、均匀的,声速设定为1500米/秒。
- 传感器阵列配置: 传感器阵列由N个探测器组成,均匀分布在半径为60像素的圆上,用来模拟稀疏采样。
- 重建方法: 使用时间反转(TR)方法从稀疏采样的数据中重建含有伪影的初始图像。