21700

21700

بازسازي تصاوير فوتوآكوستيك با استفاده از يادگيري عميق

كارشناسي ارشد

مهندسي پزشكي - بيوالكتريك

95-98

1398/8/26

دكتر حميد بهنام

برق

تصويربرداري فوتوآكوستيك(PA) روش تركيبي نوظهوري است كه جهت تشخيص و مرحله بندي بيماري هايي نظير تومور هاي سطحي استفاده مي شود. اين روش كنتراست نوري قوي تصويربرداري نوري را با رزولوشن فضايي بالاي تصويربرداري اولتراسوند تركيب مي كند. به دليل هندسه سنسور ها در دستگاه هاي PA دستي حال حاضر، تنها ميدان ديد محدودي در اختيار قرار مي گيرد كه اين محدوديت به همراه تضعيف نوري و اكوستيكي در بافت، توانايي بازسازي توزيع فشار اوليه را كه جهت كمي سازي بافت تحت تصويربرداري لازم است، محدود مي سازد. در اين پژوهش، رويكرد جديدي براي بازسازي توزيع فشار اوليه در بافت از داده هاي PA با ديد محدود ارايه شده است كه اين رويكرد مبتني بر يادگيري ماشين بوده و از شبكه هاي عصبي عميق، معماري هايي نظير U-net و شبكه هاي مولد رقابتي شرطي(cGAN) استفاده مي كند. داده هاي لازم براي اموزش اين شبكه ها و اعتبارسنجي اين رويكرد به صورت in-silico توليد شدند. نتايج، بهبود كمي و كيفي را نسبت به روش هاي مورد استفاده حال حاضر نظير الگوريتم معكوس كردن زماني(TR) و شبكه U-net، نشان مي دهد. همچنين علاوه بر استفاده از شبكه هاي cGAN براي اولين بار بر روي داده هاي فوتواكوستيك، بهبودي را نيز با استفاده از بلوك هاي باقيمانده براي اين شبكه ها پيشنهاد مي كنيم. انحراف معيار±ميانگين خطاي مطلق ويژگي هاي راديوميك از 28/0 92±/0 براي الگوريتم TR به 21/0 55±/0 براي الگوريتم U-net و به 1/0 33±/0 در استفاده از شبكه هاي cGAN كاهش مي يابد. ميانگين خطاي مطلق نرمالايز شده(NMAE) در استفاده از رويكرد cGAN نسبت به روش TR و U-net به ترتيب به تقريبا 84% و 17% كاهش مي يابد. همچنين با اموزش شبكه ها بر روي دادگان نويزي با سطوح مختلف نويز گوسي، رويكرد cGAN پيشنهادي نسبت به دو شبكه ديگر cGAN بررسي شده (شبكه اصلي و شبكه اصلاح شده) داراي حداقل و حداكثر بهبود خطاي جذر ميانگين مربعات نرمالايز شده(NRMSE) به ترتيب 10% و 15% و حداقل و حداكثر بهبود بيشينه سيگنال به نويز به ترتيب 2% و 4% مي باشد.

1398/11/19

Photoacoustic Image Reconstruction Using Deep Learning

11/16/2020 12:00:00 AM

Photoacoustic imaging(PAI) is an emerging hybrid technique based on the photoacoustic effect used for the detection and staging of diseases such as superficial tumors. it combines the strong optical contrast of optical imaging with the high spatial resolution of ultrasound imaging, resolving the depth and resolution limitations of pure optical imaging. due to the current sensor geometry of handheld PA probes, we are provided with only a limited view data recorded from tissues, which consequently alongside optical and acoustical attenuation in tissue, limits fully reconstruction of initial pressure distribution, which contains essential information for quantification of the imaged tissue. currently used state-of-the-art methods can only reconstruct an approximation of the initial pressure distribution. In this research, novel approaches for limited-view PA data reconstruction based on machine learning algorithms using deep neural networks such as U-net architecture and conditional Generative Adversarial Networks(cGANs) are presented. The data Required for training networks and validating these approaches was generated in-silico. The results offer a quantitative and qualitative improvement compared to state-of-the-art techniques such as time-reversal (TR) algorithm and U-net. Also, in addition to employing cGAN networks on PA data reconstruction for the first time, we propose an improvement to the network using residual blocks. Mean±standard deviation of radiomic features absolute error has decreased from 0.92± 0.28 using TR algorithm to 0.55± 0.21 using U-net algorithm to 0.33± 0.1 using cGANs. The normalized mean absolute error(NMAE) value using cGAN approaches compared to TR and U-net algorithms has an 84% and 17% reduction, respectively. Also, after training the networks on noisy data with different levels of Gaussian noise, the proposed cGAN approach performed better compared to other investigated cGANs(Original CGAN and Refined CGAN), with a minimum and maximum root mean squared error(NRMSE) improvement of 10% and 15% respectively and a minimum and maximum peak signal-to-noise ratio(PSNR) improvement of 2% and 4% respectively.

تصويربرداري فوتوآكوستيك , مسئله ميدان ديد محدود , شبكه U-net , شبكه هاي مولد رقابتي , الگوريتم زمان

Photoacoustic imaging , limited field-of-view problem , U-net network , Generative Adversarial Networks , Time Reversal algorithm