通过学习型迭代方法实现稳健的定量光声断层成像

《IEEE Transactions on Computational Imaging》：Towards robust quantitative photoacoustic tomography via learned iterative methods

　　

摘要：

光声断层成像（Photoacoustic Tomography, PAT）是一种基于光吸收原理的医学成像技术，能够生成高分辨率的组织图像。传统的重建方法依赖于充足的先验信息来处理噪声和不完美的测量数据，以量化吸收系数。由于这些方法使用计算成本较高的正向模型，导致重建速度较慢，限制了其在时间敏感应用中的潜力。作为一种替代方案，基于深度学习的重建方法能够实现更快、更准确的图像重建。然而，大多数这类方法需要大量的训练数据，而在实际应用中这往往难以实现。在这项研究中，我们采用了基于模型的迭代方法用于定量光声断层成像（Quantitative PAT, QPAT），该方法通过迭代方式将模型中的额外信息提供给更新网络，从而在训练数据有限的情况下提高模型的泛化能力。我们比较了基于梯度下降（Gradient Descent）、高斯-牛顿（Gauss-Newton）和拟牛顿（Quasi-Newton）算法的不同学习方法的性能。学习任务被设计为贪婪优化（greedy optimization）形式，要求每次迭代都达到最优解，同时也采用了端到端（end-to-end）训练方式，即所有网络共同进行训练。所实现的方法既在理想的模拟数据上进行了测试，也在模拟训练数据稀缺且建模误差较大的数字孪生数据集（digital twin dataset）上进行了验证。