基于改进型U-Net神经网络的光声图像重建算法

光声成像技术基于光吸收效应提供高分辨率三维软组织图像,现阶段临床对快速图像重建与数据采集要求较高。文章模拟各种欠采样条件,基于已知数据集以不同比例对小鼠脑脉管系统的全采样光声显微镜图像进行了人工降采样,设计一种全密集U-Net(FD U-Net)模型实现准确的光声图像重建,为实时成像和临床推广提供新的研究思路。文章比较多种重建算法与新模型,解释实验原理和细节,并比对新模型和几种改进网络结构的区别。结果表明,模型能够以2%的原始像素重建光声图像,PSNR与SSIM较传统方案分别提升3.3-3.7dB与0.06-0.1,有效提升成像效率。