利用生成深度学习增强量化光声层析成像的合成训练数据
摘要：多波长光声图像编码了组织的光吸收分布。这可以用来估计其血氧饱和度分布(sO2)，这是组织健康和病理的重要生理指标。然而，光能量分布的波长依赖性使精确估计变得复杂，特别是阻碍了简单的光谱反演的使用。深度学习方法已被证明能够从模拟数据中产生准确的sO2估计。然而，由于缺乏真正的“成对”训练数据（在活体组织中多波长光声图像及其对应的sO2分布），将通用的监督学习方法转化为真实组织上的应用受到了阻碍。在这里，我们讨论了：i）为什么使用传统方法模拟图像训练的网络不太可能在真实组织上推广其性能；以及ii）使用基于生成对抗网络的两种策略改进基于合成数据训练的sO2估计网络的泛化能力的前景：a）使用CycleGAN驱动的无监督域自适应对传统模拟图像进行训练，b）使用AmbientGAN生成成对的训练数据。
作者：Ciaran Bench, Ben T. Cox
论文ID：2305.04714
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-05-09