Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Изображение фотоакустической томографии

Глубокое обучение в фотоакустической визуализации сочетает в себе гибридные методы визуализации фотоакустической визуализации (PA) с быстро развивающейся областью глубокого обучения . 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 накопления оптической энергии в ткани. [2]

Фотоакустическая визуализация имеет приложения глубокого обучения как в фотоакустической компьютерной томографии (PACT), так и в фотоакустической микроскопии (PAM). PACT использует широкопольное оптическое возбуждение и массив несфокусированных ультразвуковых преобразователей. [1] Подобно другим методам компьютерной томографии , 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] модифицированной задержки и суммы, [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 (оптическое разрешение PAM 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 разрешение по горизонтали. [1]

Приложения глубокого обучения в PACT [ править ]

Одним из первых приложений глубокого обучения в PACT был Reiter et al. [8], в котором глубокая нейронная сеть была обучена изучать пространственные импульсные характеристики и определять местонахождение точечных фотоакустических источников. Полученные в результате средние осевые и боковые 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 разветвлялись в основном на удаление артефактов из акустических отражений, [9] разреженную выборку, [10] [11] [12] ограниченное представление, [13] [14] [15 ] ] и с ограниченной пропускной способностью. [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 различных реконструкций, чтобы улучшить реконструкцию с использованием сетей на основе слияния глубокого обучения. [20]

Использование глубокого обучения для обнаружения точечных фотоакустических источников [ править ]

Традиционные методы фотоакустического формирования луча моделировали распространение фотоакустических волн 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. В Reiter et al. , [8] сверточная нейронная сеть ( по аналогии с простой VGG-16 [21] была использован , что потребовалось предварительно лученаправленная фотоакустические данные в качестве входных данных и выводит результат классификации с указанием 2-D местоположения точечного источника архитектуры стиля).

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

Основываясь на работе Reiter et al. , [8] Allman et al. [9] использовал полную архитектуру VGG-16 [21] 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 библиотеке k-волн MATLAB , а затем подтвердило свои результаты на экспериментальных данных.

Некорректная реконструкция PACT [ править ]

В PACT выполняется томографическая реконструкция, при которой проекции с нескольких телесных углов объединяются для формирования изображения. Когда методы реконструкции, такие как фильтрованная обратная проекция или обращение времени, являются некорректно поставленными обратными проблемами [22] из-за выборки в соответствии с требованиями выборки Найквиста-Шеннона 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 глубокого обучения открыло новый путь, который использует априорнуюзнания 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 в себя сначала выполнение некорректной техники реконструкции для преобразования предварительно сформированных данных в двумерное представление начальное распределение давления, содержащее артефакты. Затем сверточная нейронная сеть (CNN) обучается удалению артефактов, чтобы создать без артефактов представление истинного исходного распределения давления.

Использование глубокого обучения для удаления редких артефактов выборки [ править ]

Когда плотность однородных углов обзора томографа ниже 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 Fully Dense (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 изменяет исходную архитектуру U-net, включая плотные блоки, которые позволяют уровням использовать информацию, полученную предыдущими уровнями в плотном блоке. [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 [ править ]

Когда область частичных телесных углов не захватывается, как правило, из-за геометрических ограничений, считается, что получение изображения имеет ограниченный обзор. [24] Как показывают эксперименты Davoudi et al. , [12] искажения при ограниченном просмотре можно непосредственно наблюдать как недостающую информацию в частотной области восстановленного 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 датчиков, [12] [26], а также такие решения, как сжатое зондирование, [27] [28][29] [30] [31] взвешенный коэффициент, [32] и обратная проекция с итеративным 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] Одна из замечательных реализаций GAN улучшила U-net за счет использования U-net в качестве генератора и VGG в качестве дискриминатора, с метрикой Вассерштейна и градиентным штрафом для стабилизации обучения (WGAN-GP).[14]

Удаление артефактов с ограниченной пропускной способностью с помощью глубоких нейронных сетей [ править ]

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] Такая ограниченная полоса пропускания может вызывать артефакты и ограничивать осевое разрешение системы визуализации. [14] Основными архитектурами глубокой нейронной сети, используемыми для удаления артефактов с ограниченной пропускной способностью, были WGAN-GP [14] и модифицированная сеть 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] Основным преимуществом метода глубокого обучения перед фильтрацией Винера является то, что фильтрация Винера требует высокого начального отношения 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 способствуют разным характеристикам на выходе, и, следовательно, качество изображения и характеристики изменяются, 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 распределение веса и сочетание характеристик для достижения желаемого улучшения качества выходного изображения. [20]

Приложения глубокого обучения в PAM [ править ]

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 проекцию с помощью преобразования Гильберта и проекции максимальной амплитуды (MAP). [1] Первое приложение глубокого обучения к PAM приняло форму алгоритма коррекции движения. [36] Эта процедура была предложена для исправления артефактов PAM, возникающих при движении модели in vivo во время сканирования. Это движение создает видимость разрывов сосуда.

Глубокое обучение для удаления артефактов движения в PAM [ править ]

Двумя основными типами артефактов движения, к которым обращается глубокое обучение в PAM, являются смещения в вертикальном и наклонном направлениях. Chen et al. [36] использовали 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 моделировании, так и на данных in vivo . [36]

См. Также [ править ]

  • Фотоакустическая визуализация
  • Фотоакустическая микроскопия
  • Фотоакустический эффект

Ссылки [ править ]

  1. ^ a b c d Ван, Лихонг В. (2009-08-29). «Многоуровневая фотоакустическая микроскопия и компьютерная томография» . Природа Фотоника . 3 (9): 503–509. Bibcode : 2009NaPho ... 3..503W . DOI : 10.1038 / nphoton.2009.157 . ISSN  1749-4885 . PMC  2802217 . PMID  20161535 .
  2. ^ Борода, Пол (2011-08-06). «Биомедицинская фотоакустическая визуализация» . Интерфейсный фокус . 1 (4): 602–631. DOI : 10,1098 / rsfs.2011.0028 . ISSN 2042-8898 . PMC 3262268 . PMID 22866233 .   
  3. ^ Сюй, Минхуа; Ван, Лихонг В. (19 января 2005 г.). «Универсальный алгоритм обратной проекции для фотоакустической компьютерной томографии». Physical Review E . 71 (1): 016706. Bibcode : 2005PhRvE..71a6706X . DOI : 10.1103 / PhysRevE.71.016706 . hdl : 1969.1 / 180492 . PMID 15697763 . 
  4. ^ Кальва, 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. Полномочный код : 2016JBO .... 21h6011K . DOI : 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.). «Обращение во времени фотоакустических волн» (PDF) . Письма по прикладной физике . 89 (18): 184108. Bibcode : 2006ApPhL..89r4108B . DOI : 10.1063 / 1.2382732 . ISSN 0003-6951 .  
  6. ^ Treeby, Брэдли E; Чжан, Эдвард Зи; Кокс, БТ (24 сентября 2010 г.). «Фотоакустическая томография в поглощающих акустических средах с обращением времени». Обратные задачи . 26 (11): 115003. Bibcode : 2010InvPr..26k5003T . DOI : 10.1088 / 0266-5611 / 26/11/115003 . ISSN 0266-5611 . 
  7. ^ Ван, Лихонг V .; Яо, Цзюньцзе (28.07.2016). «Практическое руководство по фотоакустической томографии в науках о жизни» . Методы природы . 13 (8): 627–638. DOI : 10.1038 / nmeth.3925 . ISSN 1548-7091 . PMC 4980387 . PMID 27467726 .   
  8. ^ a b c Рейтер, Остин; Белл, Муйинату А Ледиджу (03.03.2017). Ораевский, Александр А; Ван, Лихонг V (ред.). «Подход машинного обучения для определения местоположения точечных источников в фотоакустических данных». Photons Plus Ultrasound: Imaging and Sensing 2017 . Международное общество оптики и фотоники. 10064 : 100643J. Bibcode : 2017SPIE10064E..3JR . DOI : 10.1117 / 12.2255098 . S2CID 35030143 . 
  9. ^ а б Оллман, Дерек; Райтер, Остин; Белл, Муйинату А. Ледиджу (июнь 2018 г.). «Обнаружение фотоакустических источников и удаление артефактов отражения на основе глубокого обучения» . IEEE Transactions по медицинской визуализации . 37 (6): 1464–1477. DOI : 10,1109 / TMI.2018.2829662 . ISSN 1558-254X . PMC 6075868 . PMID 29870374 .   
  10. ^ a b 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. DOI : 10.1080 / 17415977.2018.1518444 . ISSN 1741-5977 . PMC 6474723 . PMID 31057659 .   
  11. ^ a b 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 . DOI : 10,1109 / jbhi.2019.2912935 . ISSN 2168-2194 . PMID 31021809 .  
  12. ^ a b c d e 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. DOI : 10.1038 / s42256-019-0095-3 . ISSN 2522-5839 . S2CID 202640890 .  
  13. ^ a b Гауптман, 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 трехмерной фотоакустической томографии с ограниченным обзором" . IEEE Transactions по медицинской визуализации . 37 (6): 1382–1393. DOI : 10,1109 / TMI.2018.2820382 . ISSN 1558-254X . PMID 29870367 . S2CID 4321879 .   
  14. ^ Б с д е е г ч Vu, Tri; 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 линейным преобразователем» . Экспериментальная биология и медицина . 245 (7): 597–605. DOI : 10.1177 / 1535370220914285 . ISSN 1535-3702 . PMC 7153213 . PMID 32208974 .   
  15. ^ a b 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: Imaging and Sensing 2018 . Международное общество оптики и фотоники. 10494 : 104942S. Bibcode : 2018SPIE10494E..2SW . DOI : 10.1117 / 12.2288353 . ISBN 9781510614734. S2CID  57745829 .
  16. ^ a b c Авасти, Навчетан (28 февраля 2020 г.). "Глубокая нейронная сеть на основе синограммы сверхвысокого разрешения и расширения полосы пропускания для фотоакустической томографии с ограниченными данными". Опубликовано в: «Транзакции IEEE по ультразвуку, сегнетоэлектрикам и контролю частоты» : 1. doi : 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 . DOI : 10.1117 / 1.jbo.22.11.116001 . ISSN 1083-3668 . PMID 29098811 .  
  19. ^ Johnstonbaugh, Керрик; Агравал, Сумит; Дураирадж, Дипит Абхишек; Фадден, Кристофер; Данги, Аджай; Карри, Шри Пхани Кришна; Котхапалли, Шри-Раджасекхар (2020). «Подход глубокого обучения к локализации фотоакустического волнового фронта в глубинных тканях». Протоколы IEEE по ультразвуку, сегнетоэлектрикам и контролю частоты : 1. doi : 10.1109 / tuffc.2020.2964698 . ISSN 0885-3010 . PMID 31944951 .  
  20. ^ a b c d Авасти, Навчетан (3 апреля 2019 г.). «PA-Fuse: подход с глубоким контролем для объединения фотоакустических изображений с отчетливыми характеристиками восстановления» . Опубликовано в: Биомедицинская оптика Экспресс . 10 (5): 2227–2243. DOI : 10,1364 / BOE.10.002227 . PMC 6524595 . PMID 31149371 .  
  21. ^ a b Симонян Карен; Зиссерман, Андрей (10.04.2015). «Очень глубокие сверточные сети для распознавания крупномасштабных изображений». arXiv : 1409.1556 [ cs.CV ].
  22. ^ Аграновский, Марк; Кучмент, Питер (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 . DOI : 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 , doi : 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 : 2004MedPh..31..724X . DOI : 10.1118 / 1.1644531 . ISSN 0094-2405 . PMID 15124989 .   
  25. ^ Хуанг, Бен; Ся, Цзюнь; Маслов, Константин; Ван, Лихонг В. (27 ноября 2013 г.). «Улучшение фотоакустической томографии с ограниченным обзором с акустическим отражателем» . Журнал биомедицинской оптики . 18 (11): 110505. Bibcode : 2013JBO .... 18k0505H . DOI : 10.1117 / 1.jbo.18.11.110505 . ISSN 1083-3668 . PMC 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 . DOI : 10.1117 / 1.jbo.17.5.050506 . ISSN 1083-3668 . PMC 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 СИАМ по прикладной математике . 75 (6): 2475–2494. arXiv : 1501.04305 . Bibcode : 2015arXiv150104305S . DOI : 10.1137 / 141001408 . ISSN 0036-1399 . S2CID 15701831 .  
  28. ^ Провост, J .; Лесаж, Ф. (апрель 2009 г.). «Применение сжатого зондирования для фотоакустической томографии». IEEE Transactions по медицинской визуализации . 28 (4): 585–594. DOI : 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 . DOI : 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, Чиайе; Ван, Лихонг В. (22.07.2013). «Фотоакустическая микроскопия с произвольным доступом и оптическим разрешением с использованием цифрового микрозеркального устройства» . Письма об оптике . 38 (15): 2683–6. Bibcode : 2013OptL ... 38.2683L . DOI : 10.1364 / ol.38.002683 . ISSN 0146-9592 . PMC 3784350 . PMID 23903111 .   
  31. ^ Дуарте, Марко Ф .; Давенпорт, Марк А .; Тахар, Дхармпал; Ласка, Джейсон Н .; Солнце, Тинг; Келли, Кевин Ф .; Баранюк, Ричард Г. (март 2008 г.). «Однопиксельная визуализация с помощью выборки со сжатием». Журнал обработки сигналов IEEE . 25 (2): 83–91. Bibcode : 2008ISPM ... 25 ... 83D . DOI : 10.1109 / msp.2007.914730 . hdl : 1911/21682 . ISSN 1053-5888 . 
  32. ^ Paltauf, G; Nuster, R; Бургхольцер, П. (2009-05-08). «Весовые коэффициенты для фотоакустической томографии с ограниченным углом» . Физика в медицине и биологии . 54 (11): 3303–3314. Bibcode : 2009PMB .... 54.3303P . DOI : 10.1088 / 0031-9155 / 54/11/002 . ISSN 0031-9155 . PMC 3166844 . PMID 19430108 .   
  33. ^ Лю, Сюэянь; Пэн, Донг; Ма, Ксибо; Го, Вэй; Лю, Чжэньюй; Хан, Донг; Ян, Синь; Тиан, Цзе (14 мая 2013 г.). «Фотоакустическая визуализация с ограниченным обзором на основе итеративного подхода обратной проекции с адаптивным взвешенным фильтром». Прикладная оптика . 52 (15): 3477–83. Bibcode : 2013ApOpt..52.3477L . DOI : 10,1364 / ao.52.003477 . ISSN 1559-128X . PMID 23736232 .  
  34. ^ Ма, Сонгбо; Ян, Сихуа; Го, Хуа (15 декабря 2009 г.). «Фотоакустическое изображение с ограниченным обзором, основанное на обнаружении линейной матрицы и итеративной реконструкции с использованием фильтрованной обратной проекции». Журнал прикладной физики . 106 (12): 123104–123104–6. Bibcode : 2009JAP ... 106l3104M . DOI : 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 : 2020NatSR..10.8510G . DOI : 10.1038 / s41598-020-65235-2 . PMC 7244747 . PMID 32444649 .  
  36. ^ а б в г д Чэнь, 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. DOI : 10,1186 / s42492-019-0022-9 . ISSN 2524-4442 . PMC 7099543 . PMID 32240397 .   

Внешние ссылки [ править ]

Фотоакустическая визуализация

Фотоакустическая микроскопия

Фотоакустический эффект