Learning-based sound speed estimation and aberration correction in linear-array photoacoustic imaging

要約

光音響 (PA) 画像再構成には、伝播媒体内の音速 (SoS) の仕様を必要とする音響反転が含まれます。
不均一な軟組織内の SoS の空間分布に関する情報が不足しているため、PA 画像再構成では通常、超音波 (US) イメージングと同様に均一な SoS 分布 (1540 m/s など) が想定されます。
SoS の変動を補正できないと、収差アーティファクトが発生し、画質が低下します。
この問題に対処するためにさまざまな方法が提案されていますが、通常は複雑なハードウェアや時間のかかるアルゴリズムが必要であり、臨床翻訳の妨げとなります。
この研究では、臨床 US プローブを利用したデュアルモーダル PA/US イメージング システムにおける SoS 推定とその後の収差補正のための深層学習フレームワークを紹介します。
取得された PA および US 画像は本質的に相互に登録されているため、ディープ ニューラル ネットワークを使用して US チャネル データから推定された SoS 分布が、PA 画像の正確な再構成に組み込まれました。
このフレームワークは、デジタル ファントムに基づく初期の事前トレーニング段階で構成され、物理ファントム データと測定から得られた関連する SoS マップを使用した転移学習を通じてさらに強化されました。
このフレームワークは、デジタルファントムと物理ファントムの SoS 推定でそれぞれ二乗平均平方根誤差 10.2 m/s と 15.2 m/s を達成し、従来のアプローチの 0.69 と比較して、PA 再構成の構造類似性指数測定値は最大 0.86 を達成しました。
PA 画像の信号対雑音比が最大 1.2 倍改善されたことが、人間のボランティア研究でさらに実証されました。
我々の結果は、提案されたフレームワークが、PA画像再構成を強化するためのさまざまな臨床および前臨床アプリケーションで価値があることを示しています。

要約(オリジナル)

Photoacoustic (PA) image reconstruction involves acoustic inversion that necessitates the specification of the speed of sound (SoS) within the medium of propagation. Due to the lack of information on the spatial distribution of the SoS within heterogeneous soft tissue, a homogeneous SoS distribution (such as 1540 m/s) is typically assumed in PA image reconstruction, similar to that of ultrasound (US) imaging. Failure to compensate the SoS variations leads to aberration artefacts, deteriorating the image quality. Various methods have been proposed to address this issue, but they usually involve complex hardware and/or time-consuming algorithms, hindering clinical translation. In this work, we introduce a deep learning framework for SoS estimation and subsequent aberration correction in a dual-modal PA/US imaging system exploiting a clinical US probe. As the acquired PA and US images were inherently co-registered, the estimated SoS distribution from US channel data using a deep neural network was incorporated for accurate PA image reconstruction. The framework comprised an initial pre-training stage based on digital phantoms, which was further enhanced through transfer learning using physical phantom data and associated SoS maps obtained from measurements. This framework achieved a root mean square error of 10.2 m/s and 15.2 m/s for SoS estimation on digital and physical phantoms, respectively and structural similarity index measures of up to 0.86 for PA reconstructions as compared to the conventional approach of 0.69. A maximum of 1.2 times improvement in signal-to-noise ratio of PA images was further demonstrated with a human volunteer study. Our results show that the proposed framework could be valuable in various clinical and preclinical applications to enhance PA image reconstruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google