深度学习新方法 解决定量光声层析成像缺乏训练数据难题

深度学习新方法 解决定量光声层析成像缺乏训练数据难题 字体： 小 中 大 分享到： 深度学习新方法 解决定量光声层析成像缺乏训练数据难题 2022-02-15 09:22:42 来源：科技日报

本研究的创新点之一是解决了深度神经网络训练数据的问题，利用风格转移网络实现了仿真数据与实验数据的无监督自由转换，将丰富的带标签仿真数据转换到实验域，即生成大量带标签的“实验数据”，用于后续的深度神经网络训练。

近日，天津大学精密仪器与光电工程学院李娇副教授、高峰教授团队利用定量光声深度学习的方法，实现了活体深层组织光学功能的“真实透视”成像，这在国际上尚属首次。这将为获取与活体组织生理病理相关的血氧特征图像提供一种高空分辨率的定量成像方法，可用于肿瘤早期筛查、良恶性诊断以及抗癌药物疗效的体内监测和定量评价。这篇论文最近发表在国际光学杂志Optica上。

深度学习方法进入医学影像。

定量光声层析成像是一种新的无创生物医学成像技术。它结合了传统光学成像的优点和传统超声成像的高清晰度，可以直接获得深层组织的光学吸收系数图像，因此受到了国内外研究机构和医疗企业的广泛关注。

然而，目前的定量光声层析成像方法需要巨大的计算资源和时间消耗，并且存在稳定性差、对先验信息依赖性强、误差大等问题。

近年来，深度学习的方法已经进入医学成像领域。然而，深度学习一般需要两个过程:训练过程和实际识别过程，以实现给定的功能。

“要想让深度神经网络充分发挥学习能力，就必须要有大量的标签化的真实数据用于它的训练过程。”该论文第一作者李娇表示，然而，在很多生物医学成像中，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)，因此很难构建大量有标记的真实实验数据集用于深度神经网络的训练，这使得深度学习方法很难在很多生物医学成像领域得到应用和推广。

针对上述问题，李娇和高枫团队首次提出了无需标记真实数据的定量光声层析深度学习方法，实现了对深层组织吸收系数的精确重建。

解决深度学习方法的泛化问题。

本研究的创新点之一是解决了深度神经网络训练数据的问题。利用SEED-Net实现仿真数据与实验数据的无监督自由转换，将丰富的带标签仿真数据转换到实验域，即产生大量带标签的“实验数据”，用于后续的深度神经网络训练。

“我们提出的SEED-Net不仅可以解决定量光声层析成像中缺乏真实数据集的问题，还会受到光学和荧光层析成像等其他生物医学成像领域缺乏足够标记真实实验数据的限制。还可用于通过丰富的仿真数据生成‘实验数据’，进一步开发适合实际应用的生物医学成像深度学习方法。”李娇说。

该方法具有普遍适用性，适合在不同的光声成像系统、其他光学成像技术以及整个生物医学成像领域推广应用。

“这也在一定程度上解决了深度学习方法的泛化问题。”天津大学副教授、这篇论文的通讯作者之一孙彪说。

本研究的另一个创新点是结合实际的光声数学模型设计了双通道神经网络，分别考虑了组织光强分布和光吸收系数对初始声压图像的影响。

“目前光声成像领域的深度学习方法通常直接应用其他领域发展成熟的网络模型来解决光声成像中的问题。如何改造其神经网络，使其更接近光声或其他成像技术的数学模型，将成为深度学习方法在生物医学成像中应用的重要问题之一。”李娇说。

利用这种深度学习方法，团队成功重建了高空分辨率的深部组织光吸收系数定量分布图像。

这是首次利用定量光声层析深度学习方法实现活体深层组织光学吸收系数的“真实透视”成像。深度神经网络的成功应用，无需标注真实数据，也开启了深度学习方法在生物医学影像空领域的发展。(记者陈伟通讯员赵辉)

【纠错】