基于时域数据的深度学习光声内窥镜降噪算法
摘要
光声/超声双模态内窥成像能够在消化道等生物腔体中进行高穿透深度分子成像，具有较好的临床应用前景。然而，微型内窥探头的紧凑结构使其易受电磁干扰信号的影响，严重影响了其成像灵敏度和分辨率。目前较为有效的解决方案是通过对数据的大量平均以削弱电磁噪声的影响，但这牺牲了系统的时间分辨率，削弱了其功能成像能力。因此，提出了两种针对光声波形数据的神经网络降噪模型Aline-CNN与Aline-UNet，能够有效抑制光声/超声内窥镜采集声学波形信号的电磁干扰。光声仿真图像数据的测试结果显示，经Aline-CNN和Aline-UNet降噪后的光声图像与原始仿真图像（参考图像）结果相比，结构相似性（SSIM）分别为0.9515与0.9569。同时，其在兔直肠活体成像数据的测试中也有着优异的表现，与长时间平均生成的参考图像相比，其SSIM分别为0.8239与0.8589。这种新型的降噪方法可以显著降低数据重复采集次数，缩短采集时间，有利于推动光声/超声内窥镜技术在临床中的发展与应用。
引用本文（GB/T 7714）
黎旻豪 Li Minhao, 谢卓君 Xie Zhuojun, 唐洋 Tang Yang, 等. 基于时域数据的深度学习光声内窥镜降噪算法[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。