Глубокое обучение в фотоакустической визуализации - Deep learning in photoacoustic imaging

Изображение фотоакустической томографии

Глубокое обучение в фотоакустической визуализации сочетает в себе возможности гибридной визуализации фотоакустическая визуализация (PA) с быстро развивающимся полем глубокое обучение. Фотоакустическая визуализация основана на фотоакустическом эффекте, при котором оптическое поглощение вызывает повышение температуры, что вызывает последующее повышение давления за счет термоупругого расширения.[1] Это повышение давления распространяется по ткани и регистрируется ультразвуковыми датчиками. Из-за пропорциональности между оптическим поглощением, повышением температуры и повышением давления сигнал ультразвуковой волны давления можно использовать для количественной оценки исходного депонирования оптической энергии в ткани.[2]

Фотоакустическая визуализация позволяет применять глубокое обучение как в фотоакустическая компьютерная томография (ПАКТ) и фотоакустическая микроскопия (ПАМ). PACT использует широкопольное оптическое возбуждение и массив несфокусированных ультразвуковых преобразователей.[1] Похожий на другая компьютерная томография методы, образец отображается под разными углами обзора, которые затем используются для выполнения алгоритма обратной реконструкции на основе геометрии обнаружения (обычно с помощью универсальной обратной проекции,[3] модифицированная задержка и сумма,[4] или обратное время [5][6]), чтобы выявить начальное распределение давления в ткани. PAM, с другой стороны, использует сфокусированное ультразвуковое обнаружение в сочетании со слабо сфокусированным оптическим возбуждением (акустическое разрешение PAM или AR-PAM) или сильно сфокусированным оптическим возбуждением (PAM с оптическим разрешением или OR-PAM).[7] PAM обычно захватывает изображения по точкам с помощью механического растрового шаблона сканирования. В каждой точке сканирования акустическое время пролета обеспечивает осевое разрешение, а акустическая фокусировка дает латеральное разрешение.[1]

Приложения глубокого обучения в PACT

Одно из первых приложений глубокого обучения в PACT было разработано Рейтером. и другие.[8] в котором глубокая нейронная сеть была обучена изучать пространственные импульсные характеристики и определять местонахождение точечных фотоакустических источников. Полученные в результате средние осевые и поперечные ошибки определения точек на 2412 случайно выбранных тестовых изображениях составили 0,28 мм и 0,37 мм соответственно. После этой первоначальной реализации приложения глубокого обучения в PACT расширились, прежде всего, на удаление артефактов из акустических отражений,[9] разреженная выборка,[10][11][12] ограниченный просмотр[13][14][15] и ограниченная пропускная способность.[16][14][17][18] В PACT недавно была проделана работа по использованию глубокого обучения для локализации волнового фронта.[19] Были сети, основанные на слиянии информации из двух разных реконструкций, чтобы улучшить реконструкцию с использованием сетей на основе слияния глубокого обучения.[20]

Использование глубокого обучения для обнаружения точечных фотоакустических источников

Традиционные методы фотоакустического формирования луча моделируют распространение фотоакустической волны с использованием геометрии матрицы детекторов и времени пролета для учета различий во времени прихода PA-сигнала. Однако этот метод не смог учесть реверберирующие акустические сигналы, вызванные акустическим отражением, что привело к артефактам акустического отражения, которые искажают истинную информацию о местоположении точечного фотоакустического источника. In Reiter и другие.,[8] сверточная нейронная сеть (похожая на простой VGG-16 [21] стиль архитектуры), который брал предварительно сформированные фотоакустические данные в качестве входных и выводил результат классификации с указанием местоположения двумерного точечного источника.

Удаление артефактов акустического отражения (при наличии нескольких источников и шума канала)

Опираясь на работы Рейтера и другие.,[8] Allman и другие. [9] использовали полный ВГГ-16 [21] архитектура для обнаружения точечных источников и удаления артефактов отражения в необработанных данных фотоакустического канала (при наличии нескольких источников и шума канала). Это использование глубокого обучения, обученного на смоделированных данных, созданных в MATLAB библиотека k-волн, а затем подтвердили свои результаты на экспериментальных данных.

Некорректная реконструкция PACT

В PACT выполняется томографическая реконструкция, при которой проекции под разными телесными углами объединяются для формирования изображения. Когда методы реконструкции, такие как обратная проекция с фильтром или обращение времени, являются некорректными обратными задачами. [22] из-за отбора проб под Найквист-Шеннон требования к выборке или с ограниченной полосой пропускания / просмотром, результирующая реконструкция содержит артефакты изображения. Традиционно эти артефакты удалялись медленными итеративными методами, такими как минимизация общей вариации, но появление подходов к глубокому обучению открыло новые возможности для использования априори знания из сетевого обучения по удалению артефактов. В методах глубокого обучения, которые стремятся удалить эти артефакты с разреженной выборкой, ограниченной полосой пропускания и ограниченным просмотром, типичный рабочий процесс включает сначала выполнение некорректной техники реконструкции для преобразования предварительно сформированных данных в двумерное представление начальное распределение давления, содержащее артефакты. Затем сверточная нейронная сеть (CNN) обучена удалять артефакты, чтобы создать представление без артефактов. наземная правда начальное распределение давления.

Использование глубокого обучения для удаления редких артефактов выборки

Когда плотность однородных углов обзора на томографе меньше того, что предписано теоремой выборки Найквиста-Шеннона, говорят, что система формирования изображения выполняет разреженную выборку. Редкая выборка обычно используется для снижения производственных затрат и повышения скорости получения изображений.[10] Типичными сетевыми архитектурами, используемыми для удаления этих редких артефактов выборки, являются U-net[10][12] и полностью плотная (FD) U-net.[11] Обе эти архитектуры содержат этапы сжатия и распаковки. Фаза сжатия учится сжимать изображение до скрытого представления, в котором отсутствуют артефакты изображения и другие детали.[23] Затем этап декомпрессии объединяется с информацией, передаваемой остаточными соединениями, чтобы добавить детали обратного изображения без добавления деталей, связанных с артефактами.[23] FD U-net модифицирует исходную архитектуру U-net, включая плотные блоки, которые позволяют уровням использовать информацию, полученную предыдущими уровнями внутри плотного блока.[11] Другой метод был предложен с использованием простой архитектуры на основе CNN для удаления артефактов и улучшения восстановления k-волнового изображения.[17]

Удаление артефактов с ограниченным просмотром с помощью глубокого обучения

Когда область частичных телесных углов не захватывается, как правило, из-за геометрических ограничений, считается, что получение изображения имеет ограниченный обзор.[24] Как показывают эксперименты Давуди и другие.,[12] Повреждения с ограниченным просмотром можно непосредственно наблюдать как отсутствие информации в частотная область реконструированного изображения. Ограниченный просмотр, аналогичный разреженной выборке, делает алгоритм первоначальной реконструкции некорректным. До глубокого обучения проблема ограниченного обзора решалась с помощью сложного оборудования, такого как акустические дефлекторы.[25] и полные кольцевые матрицы преобразователей,[12][26] а также такие решения, как сжатое зондирование,[27][28][29][30][31] взвешенный коэффициент,[32] и итеративная обратная проекция с фильтром.[33][34] Результатом этой некорректной реконструкции являются артефакты изображения, которые могут быть удалены CNN. Алгоритмы глубокого обучения, используемые для удаления артефактов с ограниченным просмотром, включают U-net[12][15] и FD U-net,[35] а также генеративные состязательные сети (GAN)[14] и объемные версии U-net.[13] Примечательно, что одна реализация GAN улучшила U-net за счет использования U-net в качестве генератора и VGG в качестве дискриминатора с Метрика Вассерштейна и штраф за градиент для стабилизации обучения (WGAN-GP).[14]

Удаление артефактов с ограниченной пропускной способностью с помощью глубоких нейронных сетей

Проблема ограниченной полосы пропускания возникает в результате ограниченной полосы частот обнаружения массива ультразвуковых преобразователей. Эта матрица преобразователей действует как полосовой фильтр в частотной области, ослабляя как высокие, так и низкие частоты в фотоакустическом сигнале.[15] [16]Эта ограниченная полоса пропускания может вызывать артефакты и ограничивать осевое разрешение системы визуализации.[14] Основными архитектурами глубокой нейронной сети, используемыми для удаления артефактов ограниченной полосы пропускания, была WGAN-GP.[14] и модифицированный U-net.[15] [16]Типичным методом удаления артефактов и шумоподавления реконструкций с ограниченной полосой пропускания до глубокого обучения была фильтрация Винера, которая помогает расширить частотный спектр сигнала PA.[14] Основное преимущество метода глубокого обучения перед фильтрацией Винера состоит в том, что фильтрация Винера требует высокого начального соотношение сигнал шум (SNR), что не всегда возможно, в то время как модель глубокого обучения не имеет такого ограничения.[14]

Объединение информации для улучшения фотоакустических изображений с глубокими нейронными сетями

Дополнительная информация используется с использованием архитектур на основе слияния для улучшения восстановления фотоакустического изображения.[20] Поскольку разные реконструкции обеспечивают разные характеристики на выходе, и, следовательно, качество изображения и характеристики меняются, если используется другой метод реконструкции.[20] Была предложена новая архитектура на основе слияния, которая объединяет результаты двух различных реконструкций и дает лучшее качество изображения по сравнению с любой из этих реконструкций. Он включает в себя разделение веса и сочетание характеристик для достижения желаемого улучшения качества выходного изображения.[20]

Приложения глубокого обучения в PAM

Изображение методом механического растрового сканирования

Фотоакустическая микроскопия отличается от других форм фотоакустической томографии тем, что в ней используется сфокусированное ультразвуковое обнаружение для попиксельного получения изображений. Изображения PAM получают как объемные данные с временным разрешением, которые обычно отображаются в 2-D проекции через Преобразование Гильберта и проекция максимальной амплитуды (MAP).[1] Первое приложение глубокого обучения к PAM имело форму алгоритма коррекции движения.[36] Эта процедура была предложена для исправления артефактов PAM, которые возникают, когда in vivo модель движется во время сканирования. Это движение создает видимость разрывов сосуда.

Глубокое обучение для удаления артефактов движения в PAM

Двумя основными типами артефактов движения, к которым обращается глубокое обучение в PAM, являются смещения в вертикальном и наклонном направлениях. Чен и другие.[36] использовала простую трехслойную сверточную нейронную сеть, где каждый слой представлен матрицей весов и вектором смещения, чтобы удалить артефакты движения PAM. Два сверточных слоя содержат функции активации RELU, а последний не имеет функции активации.[36] Используя эту архитектуру, были протестированы размеры ядра 3 × 3, 4 × 4 и 5 × 5, при этом наибольший размер ядра 5 × 5 дал наилучшие результаты.[36] После обучения производительность модели коррекции движения была протестирована и хорошо зарекомендовала себя как на симуляции, так и на in vivo данные.[36]

Смотрите также

Рекомендации

  1. ^ а б c d Ван, Лихонг В. (2009-08-29). «Многоуровневая фотоакустическая микроскопия и компьютерная томография». Природа Фотоника. 3 (9): 503–509. Bibcode:2009NaPho ... 3..503Вт. Дои:10.1038 / nphoton.2009.157. ISSN  1749-4885. ЧВК  2802217. PMID  20161535.
  2. ^ Борода, Пол (2011-08-06). «Биомедицинская фотоакустическая визуализация». Фокус интерфейса. 1 (4): 602–631. Дои:10.1098 / рсфс.2011.0028. ISSN  2042-8898. ЧВК  3262268. PMID  22866233.
  3. ^ Сюй, Минхуа; Ван, Лихонг В. (19 января 2005 г.). «Универсальный алгоритм обратной проекции для фотоакустической компьютерной томографии». Физический обзор E. 71 (1): 016706. Bibcode:2005PhRvE..71a6706X. Дои:10.1103 / PhysRevE.71.016706. HDL:1969.1/180492. PMID  15697763.
  4. ^ Калва, Сандип Кумар; Праманик, Маноджит (август 2016 г.). «Экспериментальная проверка улучшения тангенциального разрешения фотоакустической томографии с использованием модифицированного алгоритма восстановления с задержкой и суммой». Журнал биомедицинской оптики. 21 (8): 086011. Bibcode:2016JBO .... 21х6011К. Дои:10.1117 / 1.JBO.21.8.086011. ISSN  1083-3668. PMID  27548773.
  5. ^ Босси, Эммануэль; Дауди, Халид; Боккара, Альбер-Клод; Тантер, Микаэль; Обри, Жан-Франсуа; Монтальдо, Габриэль; Финк, Матиас (30 октября 2006 г.). «Обратное время фотоакустических волн» (PDF). Письма по прикладной физике. 89 (18): 184108. Bibcode:2006АпФЛ..89р4108Б. Дои:10.1063/1.2382732. ISSN  0003-6951.
  6. ^ Триби, Брэдли Э; Чжан, Эдвард Зи; Кокс, Б.Т. (24 сентября 2010 г.). «Фотоакустическая томография в поглощающих акустических средах с обращением времени». Обратные задачи. 26 (11): 115003. Bibcode:2010InvPr..26k5003T. Дои:10.1088/0266-5611/26/11/115003. ISSN  0266-5611.
  7. ^ Wang, Lihong V .; Яо, Цзюньцзе (28.07.2016). «Практическое руководство по фотоакустической томографии в науках о жизни». Природные методы. 13 (8): 627–638. Дои:10.1038 / nmeth.3925. ISSN  1548-7091. ЧВК  4980387. PMID  27467726.
  8. ^ а б c Райтер, Остин; Белл, Муйинату А. Ледиджу (03.03.2017). Ораевский, Александр А; Ван, Лихонг V (ред.). «Подход машинного обучения к определению местоположения точечных источников в фотоакустических данных». Photons Plus Ultrasound: визуализация и зондирование, 2017 г.. Международное общество оптики и фотоники. 10064: 100643J. Bibcode:2017SPIE10064E..3JR. Дои:10.1117/12.2255098. S2CID  35030143.
  9. ^ а б Оллман, Дерек; Райтер, Остин; Белл, Муйинату А. Ледиджу (июнь 2018 г.). «Обнаружение фотоакустического источника и удаление артефактов отражения на основе глубокого обучения». IEEE Transactions по медицинской визуализации. 37 (6): 1464–1477. Дои:10.1109 / TMI.2018.2829662. ISSN  1558–254X. ЧВК  6075868. PMID  29870374.
  10. ^ а б c Антхольцер, Стефан; Хальтмайер, Маркус; Шваб, Йоханнес (03.07.2019). «Глубокое обучение фотоакустической томографии на основе разреженных данных». Обратные задачи в науке и технике. 27 (7): 987–1005. Дои:10.1080/17415977.2018.1518444. ISSN  1741-5977. ЧВК  6474723. PMID  31057659.
  11. ^ а б c Гуань, Стивен; Хан, Амир А .; Сикдар, Сиддхартха; Читнис, Параг В. (февраль 2020 г.). «Полностью плотный UNet для удаления артефактов с разреженной 2-мерной фотоакустической томографией». Журнал IEEE по биомедицинской и медицинской информатике. 24 (2): 568–576. arXiv:1808.10848. Дои:10.1109 / jbhi.2019.2912935. ISSN  2168-2194. PMID  31021809.
  12. ^ а б c d е Давуди, Неда; Деан-Бен, Хосе Луис; Разанский, Даниил (16.09.2019). «Оптоакустическая томография с глубоким обучением с разреженными данными». Природа Машинный интеллект. 1 (10): 453–460. Дои:10.1038 / с42256-019-0095-3. ISSN  2522-5839. S2CID  202640890.
  13. ^ а б Гауптманн, Андреас; Лука, Феликс; Бетке, Марта; Huynh, Nam; Адлер, Йонас; Кокс, Бен; Борода, Пол; Урселин, Себастьян; Арридж, Саймон (июнь 2018 г.). «Модельно-ориентированное обучение для ускоренной 3-D фотоакустической томографии с ограниченным обзором». IEEE Transactions по медицинской визуализации. 37 (6): 1382–1393. Дои:10.1109 / TMI.2018.2820382. ISSN  1558–254X. PMID  29870367. S2CID  4321879.
  14. ^ а б c d е ж грамм час Ву, Три; Ли, Муконг; Хумаюн, Ханна; Чжоу, Юань; Яо, Цзюньцзе (25 марта 2020 г.). "Тематическая статья: Генеративная состязательная сеть для удаления артефактов в фотоакустической компьютерной томографии с датчиком линейного массива". Экспериментальная биология и медицина. 245 (7): 597–605. Дои:10.1177/1535370220914285. ISSN  1535-3702. ЧВК  7153213. PMID  32208974.
  15. ^ а б c d Вайбель, Доминик; Грёль, Янек; Изензее, Фабиан; Киршнер, Томас; Майер-Хайн, Клаус; Майер-Хайн, Лена (19.02.2018). Ван, Лихонг V; Ораевский, Александр А (ред.). «Реконструкция начального давления по фотоакустическим изображениям с ограниченным обзором с использованием глубокого обучения». Photons Plus Ultrasound: визуализация и зондирование 2018. Международное общество оптики и фотоники. 10494: 104942S. Bibcode:2018SPIE10494E..2SW. Дои:10.1117/12.2288353. ISBN  9781510614734. S2CID  57745829.
  16. ^ а б c Авасти, Навчетан (28 февраля 2020 г.). «Глубокая нейронная сеть на основе синограммы с высоким разрешением и расширением полосы пропускания для фотоакустической томографии с ограниченными данными». Опубликовано в: IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control: 1. Дои:10.1109 / TUFFC.2020.2977210. PMID  32142429.
  17. ^ а б Авасти, Навчетан; Пардасани, Рохит; Сандип Кумар Калва; Праманик, Маноджит; Ялаварти, Фанеендра К. (2020). «Синограмма сверхвысокого разрешения и шумоподавляющая сверточная нейронная сеть (SRCN) для фотоакустической томографии с ограниченными данными». arXiv:2001.06434 [eess.IV ].
  18. ^ Гутта, Сридеви; Кадимесетти, Венката Сурьянараяна; Калва, Сандип Кумар; Праманик, Маноджит; Ганапати, Шрирам; Ялаварти, Фанеендра К. (02.11.2017). «Расширение полосы пропускания фотоакустических данных на основе глубоких нейронных сетей». Журнал биомедицинской оптики. 22 (11): 116001. Bibcode:2017JBO .... 22k6001G. Дои:10.1117 / 1.jbo.22.11.116001. ISSN  1083-3668. PMID  29098811.
  19. ^ Джонстонбо, Керрик; Агравал, Сумит; Дурайрадж, Дипит Абхишек; Фадден, Кристофер; Данги, Аджай; Карри, Шри Пхани Кришна; Котхапалли, Шри-Раджасекхар (2020). «Подход глубокого обучения к локализации фотоакустического волнового фронта в среде глубоких тканей». Транзакции IEEE по ультразвуку, сегнетоэлектрикам и контролю частоты: 1. Дои:10.1109 / tuffc.2020.2964698. ISSN  0885-3010. PMID  31944951.
  20. ^ а б c d Авасти, Навчетан (3 апреля 2019 г.). «PA-Fuse: подход с глубоким контролем для объединения фотоакустических изображений с отчетливыми характеристиками восстановления». Опубликовано в: Biomedical Optics Express. 10 (5): 2227–2243. Дои:10.1364 / BOE.10.002227. ЧВК  6524595. PMID  31149371.
  21. ^ а б Симонян, Карен; Зиссерман, Андрей (10.04.2015). «Очень глубокие сверточные сети для распознавания крупномасштабных изображений». arXiv:1409.1556 [cs.CV ].
  22. ^ Аграновский, Марк; Кучмент, Петр (28 августа 2007 г.). «Уникальность реконструкции и процедуры инверсии для термоакустической и фотоакустической томографии с переменной скоростью звука». Обратные задачи. 23 (5): 2089–2102. arXiv:0706.0598. Bibcode:2007InvPr..23.2089A. Дои:10.1088/0266-5611/23/5/016. ISSN  0266-5611. S2CID  17810059.
  23. ^ а б Роннебергер, Олаф; Фишер, Филипп; Брокс, Томас (2015), "U-Net: сверточные сети для сегментации биомедицинских изображений", Конспект лекций по информатике, Springer International Publishing, стр. 234–241, arXiv:1505.04597, Bibcode:2015arXiv150504597R, Дои:10.1007/978-3-319-24574-4_28, ISBN  978-3-319-24573-7, S2CID  3719281
  24. ^ Сюй, юань; Wang, Lihong V .; Амбарцумян, Гайк; Кучмент, Питер (2004-03-11). «Реконструкции в термоакустической томографии с ограниченным обзором» (PDF). Медицинская физика. 31 (4): 724–733. Bibcode:2004МедФ..31..724Х. Дои:10.1118/1.1644531. ISSN  0094-2405. PMID  15124989.
  25. ^ Хуанг, Бин; Ся, Цзюнь; Маслов, Константин; Ван, Лихонг В. (27 ноября 2013 г.). «Улучшение фотоакустической томографии с ограниченным обзором с помощью акустического отражателя». Журнал биомедицинской оптики. 18 (11): 110505. Bibcode:2013JBO .... 18k0505H. Дои:10.1117 / 1.jbo.18.11.110505. ISSN  1083-3668. ЧВК  3818029. PMID  24285421.
  26. ^ Ся, июнь; Chatni, Muhammad R .; Маслов, Константин; Го, Цзицзянь; Ван, Кун; Анастасио, Марк; Ван, Лихонг В. (2012). «Кольцевая конфокальная фотоакустическая компьютерная томография всего тела мелких животных in vivo». Журнал биомедицинской оптики. 17 (5): 050506. Bibcode:2012JBO .... 17e0506X. Дои:10.1117 / 1.jbo.17.5.050506. ISSN  1083-3668. ЧВК  3382342. PMID  22612121.
  27. ^ Sandbichler, M .; Krahmer, F .; Berer, T .; Burgholzer, P .; Хальтмайер, М. (январь 2015 г.). «Новая схема сжатого зондирования для фотоакустической томографии». Журнал SIAM по прикладной математике. 75 (6): 2475–2494. arXiv:1501.04305. Bibcode:2015arXiv150104305S. Дои:10.1137/141001408. ISSN  0036-1399. S2CID  15701831.
  28. ^ Provost, J .; Лесаж, Ф. (апрель 2009 г.). «Применение сжатого зондирования для фотоакустической томографии». IEEE Transactions по медицинской визуализации. 28 (4): 585–594. Дои:10.1109 / tmi.2008.2007825. ISSN  0278-0062. PMID  19272991.
  29. ^ Хальтмайер, Маркус; Сандбихлер, Майкл; Берер, Томас; Бауэр-Маршаллинджер, Йоханнес; Бургхольцер, Питер; Нгуен, Линь (июнь 2018 г.). «Стратегия разрежения и реконструкции для фотоакустической томографии со сжатым зондированием». Журнал акустического общества Америки. 143 (6): 3838–3848. arXiv:1801.00117. Bibcode:2018ASAJ..143.3838H. Дои:10.1121/1.5042230. ISSN  0001-4966. PMID  29960458. S2CID  49643233.
  30. ^ Лян, Цзиньян; Чжоу Юн; Винклер, Эми У .; Ван, Лидай; Маслов, Константин И .; Ли, Чиие; Ван, Лихонг В. (22.07.2013). «Фотоакустическая микроскопия с произвольным доступом с оптическим разрешением и цифровым микрозеркалом». Письма об оптике. 38 (15): 2683–6. Bibcode:2013OptL ... 38.2683L. Дои:10.1364 / ol.38.002683. ISSN  0146-9592. ЧВК  3784350. PMID  23903111.
  31. ^ Дуарте, Марко Ф .; Davenport, Mark A .; Тахар, Дхармпал; Ласка, Джейсон Н .; Солнце, Тинг; Келли, Кевин Ф .; Баранюк, Ричард Г. (март 2008 г.). «Однопиксельная визуализация с помощью выборки со сжатием». Журнал IEEE Signal Processing Magazine. 25 (2): 83–91. Bibcode:2008ISPM ... 25 ... 83D. Дои:10.1109 / msp.2007.914730. HDL:1911/21682. ISSN  1053-5888.
  32. ^ Paltauf, G; Nuster, R; Бургхольцер, П. (2008-05-08). «Весовые коэффициенты для фотоакустической томографии с ограниченным углом». Физика в медицине и биологии. 54 (11): 3303–3314. Bibcode:2009ПМБ .... 54.3303П. Дои:10.1088/0031-9155/54/11/002. ISSN  0031-9155. ЧВК  3166844. PMID  19430108.
  33. ^ Лю, Сюэянь; Пэн, Донг; Ма, Ксибо; Го, Вэй; Лю, Чжэньюй; Хан, Донг; Ян, Синь; Тиан, Джи (14 мая 2013 г.). «Фотоакустическая визуализация с ограниченным обзором, основанная на итеративном методе обратной проекции с адаптивным взвешенным фильтром». Прикладная оптика. 52 (15): 3477–83. Bibcode:2013ApOpt..52.3477L. Дои:10.1364 / АО.52.003477. ISSN  1559–128X. PMID  23736232.
  34. ^ Ма, Сонгбо; Ян, Сихуа; Го, Хуа (15 декабря 2009 г.). «Фотоакустическая визуализация с ограниченным обзором, основанная на обнаружении линейной матрицы и итеративной реконструкции с использованием фильтрованной обратной проекции». Журнал прикладной физики. 106 (12): 123104–123104–6. Bibcode:2009JAP ... 106l3104M. Дои:10.1063/1.3273322. ISSN  0021-8979.
  35. ^ Гуань, Стивен; Хан, Амир А .; Сикдар, Сиддхартха; Читнис, Параг В. (2020). «Ограниченный обзор и разреженная фотоакустическая томография для нейровизуализации с глубоким обучением». Научные отчеты. 10 (1): 8510. arXiv:1911.04357. Bibcode:2020НатСР..10.8510Г. Дои:10.1038 / s41598-020-65235-2. ЧВК  7244747. PMID  32444649.
  36. ^ а б c d е Чен, Синсин; Ци, Вэйчжи; Си, Лэй (2019-10-29). «Алгоритм коррекции движения на основе глубокого обучения в фотоакустической микроскопии с оптическим разрешением». Визуальные вычисления для промышленности, биомедицины и искусства. 2 (1): 12. Дои:10.1186 / s42492-019-0022-9. ISSN  2524-4442. ЧВК  7099543. PMID  32240397.

внешняя ссылка

Фотоакустическая визуализация

Фотоакустическая микроскопия

Фотоакустический эффект