论文学习:光声图像数据处理与实验设计思路

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。