通过机器学习可以获得更少能量与更高质量的光声显微镜图像

导读 光声显微镜 (PAM) 使研究人员能够看到体内最小的血管,但它会产生一些不需要的信号或噪音。圣路易斯华盛顿大学 McKelvey 工程学院的一...

光声显微镜 (PAM) 使研究人员能够看到体内最小的血管,但它会产生一些不需要的信号或噪音。圣路易斯华盛顿大学 McKelvey 工程学院的一组研究人员找到了一种方法,可以显着降低噪声并保持图像质量,同时将生成图像所需的激光能量降低 80%。

生物医学工程副教授 Song Hu 和他的实验室成员使用基于机器学习的图像处理技术(称为稀疏编码)设计了这种新方法,以去除血管结构、氧饱和度和血流的PAM 图像中的噪声。老鼠的大脑。工作结果在线发表在IEEE Transactions on Medical Imaging 上。

为了获得这样的图像,研究人员需要对数据进行密集采样,这需要高激光脉冲重复率,这可能会引起安全问题。然而,降低激光脉冲能量会导致图像质量下降以及血氧和血流量的测量不准确。这就是 Hu 实验室的博士生、该论文的第一作者 Zhuoying Wang 引入稀疏编码的地方,稀疏编码是一种常用于图像处理的机器学习,不需要训练的基本事实,以改善图像使用低激光剂量时的质量和定量准确性。

该团队将该技术应用于正常和降低能量水平的小鼠大脑中血红蛋白浓度、氧合和流动的图像。他们的两步方法表现非常好,显着降低了噪声并实现了类似的图像质量,而这在以前只能使用高出五倍的激光能量才能实现。

“在我们方法的第一步中,稀疏编码将血管信号与在不同组织位置获取的横截面扫描中的噪声分开,称为 B 扫描,因为噪声不如信号稀疏,”王说。“然后我们在第二步中对去噪 B 扫描形成的投影图像应用相同的稀疏编码策略,以进一步抑制背景噪声。”

胡说,虽然机器学习以前曾被用于对光声图像进行去噪,但他们的两步方法领先了一步。

“我们的方法使我们能够去除噪声并保持信号完好无损,”胡说。“它不仅提供了更高的微血管可见度,而且还保留了信号呈现,让我们有机会进行定量成像。”

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时候联系我们修改或删除,多谢