首页 » [论文] Optica期刊发表本团队深度学习光声成像成果

[论文] Optica期刊发表本团队深度学习光声成像成果

J. Li, C. Wang, T. Chen, T. Lu, S. Li, B. Sun, F. Gao, and V. Ntziachristos, “Deep learning-based quantitative optoacoustic tomography of deep tissues in the absence of labeled experimental data,” Optica 9, 32-41 (2022). 文章链接点击这里

定量光声层析成像深度学习方法的功能效果图
定量光声层析成像深度学习方法的功能效果图

本团队利用光声CT深度学习方法实现了活体深层组织的光学功能“透视”定量成像,这在世界尚属首次。这将为获取活体组织生理病理相关的血氧特性图像提供高空间分辨定量成像方法,可用于肿瘤早期筛查、良恶性诊断以及抗癌药物疗效在体监测与量化评估。

定量光声层析成像是一种新兴的无创生物医学成像技术,可结合传统光学成像的功能性以及传统超声成像的高清晰度等优势,直接获取深层组织光学吸收系数图像,受到国内外研究机构和医疗企业的广泛关注。光在组织体内传播过程中光强是逐渐衰减的,光声成像受深层组织中光强衰减的限制无法真实地反应组织光学吸收系数,影响其在深层组织成像中图像准确度和可信度。目前的定量光声层析成像方法需要庞大的计算资源和时间消耗,且还存在稳定性差、先验信息依赖性强及误差大等问题。

近年来,深度学习方法在医学影像学领域中成功应用展示了其在生物医学光学成像方向的应用潜力。但深度学习想要实现既定功能一般需要两个过程:训练过程以及实际识别过程。如果想要让深度神经网络充分发挥其学习能力,必须有大量带有标注的真实数据用于其训练过程。然而,在许多生物医学成像中很难获得深层组织特别是活体组织的真实值(如光学吸收系数),因此很难构建大量带有标注的真实实验数据集进行深度神经网络的训练,造成深度学习方法在许多生物医学成像领域难以应用推广。

针对上述难题,天津大学精密仪器与光电子工程学院李娇副教授和自动化学院孙彪副教授团队合作,首次提出了无需标注真实数据的定量光声层析成像深度学习方法,实现深层组织吸收系数的准确重建。该论文在2022年1月6日发表在国际光学顶级期刊Optica上,李娇副教授为第一作者,天津大学孙彪副教授、高峰教授和慕尼黑工业大学Vasilis Ntziachristos教授为文章的共同通讯作者。

论文创新点之一是解决深度神经网络训练数据问题,利用风格迁移网络(SEED-Net)实现仿真数据与实验数据的无监督自由转换,将丰富的带标注仿真数据转换到实验域,即生成了大量带标注的“实验数据”用于后续深度神经网络训练。我们提出的SEED-Net不仅可以解决定量光声层析成像方向缺乏真实数据集的问题,在其他生物医学成像领域例如光学/荧光层析成像中同样受限于缺乏足够的带标注真实实验数据,也可使用该网格通过丰富的仿真数据生成“实验数据”,进一步发展适用于实际应用的生物医学成像深度学习方法。该方法是具有普遍适用性,适合不同光声成像系统、其他光学成像技术和整个生物医学成像领域的推广及应用。对于新的光声成像设备,我们的方法可以很容易地进行迁移。只需要采集少量新数据对网络进行微调,就可以高精度地实现新设备的定量光声成像。这一优势也从一定层面上解决了深度学习方法的泛化性难题。

SEED-Net产生“实验数据”与真实实验数据对比
SEED-Net产生“实验数据”与真实实验数据对比

论文另一创新点是结合实际光声数理模型设计了一种双通道神经网络,分别考虑组织光强分布和光学吸收系数对初始声压图像的影响。该双通道神经网络的工作目标是通过输入初始声压分布图像(传统光声重建图像)最终获得真实的组织光学吸收系数分布图像(定量光声重建图像)。目前光声成像领域中深度学习方法,通常是利用其他领域发展好的网络模型直接用于解决光声成像中的问题。如何改造神经网络使其更加贴近光声或其他成像技术的数理模型将会成为深度学习方法在生物医学成像领域应用的重要问题之一。

传统光声重建(P0)与定量光声重建(μa)图像对比
传统光声重建(P0)与定量光声重建(μa)图像对比

由SEED-Net产生的“实验数据”对所发展的双通道网络进行训练,最终获得定量光声层析成像网络模型(QOAT-Net)。利用团队自主发展的光声层析成像系统获得测试数据,QOAT-Net成功重建出高空间分辨率的深层组织光学吸收系数定量分布图像。这是首次应用定量光声层析成像深度学习方法实现对真实深层组织光学吸收系数的“透视”成像。无标注真实数据情况下深度神经网络的成功应用也开辟了深度学习方法在生物医学成像方向的发展可能。

文章相关代码请访问这里下载。