基于深度学习的扩散光学层析成像重建综述

发布时间：2024-03-16 11:33

　　扩散光学层析成像(DOT)是一种利用近红外光来探测生物组织光学结构的低成本、无辐射损伤、成像深度深的在体光学功能性成像技术。由于生物组织体自身需满足强散射、低吸收以及成像空间分辨率高等需求,因此DOT重建的逆问题具有严重的病态特性。传统的逆问题解决办法主要是基于代数迭代的重建方法,随着人工智能的发展及大数据时代的到来,深度学习研究掀起了一个新高潮,基于深度学习网络模型的逆问题解决方法逐步被用于DOT重建过程中。通过梳理传统的DOT重建算法,重点综述了最新深度学习用于DOT重建的研究进展,旨在为本领域相关研究团队提供参考。

【文章页数】：7 页

【部分图文】：

图1SAE神经网络结构图

该网络模型结构训练过程包含无监督的预训练和有监督的神经网络训练两部分。预训练是通过无监督学习的方法来训练神经网络的权重和偏差。神经网络训练是将得到的网络权重和偏差作为初始值输入BP神经网络中进行有监督式的训练学习。该BP网络利用前向传导训练神经网络，采用反向传播算法进行微调，最终....

图2深度学习重建与传统迭代重建对比

本团队利用一源多探的源探分布方式检测生物组织内异质体的不同位置的光强数据，构建了快速检测异质体位置的栈式自编码深度神经网络。图2的3幅图分别表示真实吸收系数μa的实际分布、基于SAE网络预测的μa分布及利用传统线性迭代方重建的μa分布，从图中可以得出，相较传统迭代法，深度学习预测....

本文编号：3929596