【论文阅读34】DeepMB: Deep neural network for real-time optoacoustic image reconstruction ...

DeepMB: Deep neural network for real-time optoacoustic image reconstruction with adjustable speed of sound

论文题目：DeepMB：深度神经网络，实时光声图像重建

作者团队：德国纽赫伯格慕尼黑中心生物与医学成像研究所，

论文链接：论文链接

代码链接：代码链接

发表时间：2020

发表期刊：arXiv

---摘要---

多光谱光声断层扫描（MSOT）是新兴功能成像方式，可量化多种病理生理生物标志物，但为融入临床成像需实时应用。目前反投影算法有局限性，基于迭代模型的重建虽质量高但计算要求高不适合实时成像。深度神经网络可用于成像逆问题，其中深度循环展开不适合实时光声图像重建，而基于直接推理的方法可支持实时光声成像。将深度学习应用于光声图像重建的关键挑战是生成合适训练数据，本文提出的 DeepMB 深度学习框架通过对合成光声信号训练，学习到准确且普遍适用的光声重建算子，图像质量接近最先进迭代基于模型的重建且速度快能实现实时成像，与最先进临床 MSOT 扫描仪兼容，支持高吞吐量数据采集和大图像尺寸及动态调整声速参数，在多样的体内图像数据集上展示了性能，可使临床 MSOT 在实时成像中提供高质量反馈促进动态成像应用。

---创新点---

1. 深度学习在光声成像中的应用：文章提出了一个名为DeepMB的深度神经网络框架，用于实时光声成像的图像重建。这是将深度学习技术应用于光声成像领域的一个重要创新。

2. 快速重建速度：DeepMB能够在31毫秒内完成单幅图像的重建，比传统的迭代模型基础重建方法快约1000倍，这在实时成像领域是一个显著的突破。

3. 动态声速调整：DeepMB支持在成像过程中动态调整声速（SoS），这使得它能够为不同类型的组织重建出更精确的图像，提高了成像的灵活性和准确性。

4. 通用性和泛化能力：通过在合成数据上训练，DeepMB能够学习到一个不依赖于特定图像特征的通用重建算子，提高了模型对真实世界数据的泛化能力。

5. 与现有设备的兼容性：DeepMB的设计考虑到了与现代多光谱光声断层扫描仪的数据速率和图像大小的兼容性，使其能够无缝集成到现有的临床成像流程中。

6. 基于U-Net的网络架构创新：DeepMB采用了U-Net架构，并对其进行了扩展，使其能够处理不同SoS值对重建图像的影响，这是对现有网络架构的创新应用。

7. 无偏重建算子的学习：通过使用具有广泛特征的真实世界图像合成正弦图进行训练，DeepMB能够学习到一个无偏的重建算子，这有助于提高重建图像的质量和一致性。

8. 临床应用潜力：文章证明了DeepMB在多种体内图像数据集上的应用潜力，展示了其在临床成像中的实用性和有效性。

</