Deep learning for biomedical photoacoustic imaging: A review.
Deep learning for biomedical photoacoustic imaging: A review.
复制标题
DOI：
10.1016/j.pacs.2021.100241
复制
发表时间：
2021-06
期刊：
影响因子：
7.9
通讯作者：
Maier-Hein L
中科院分区：
文献类型：
--
作者：
Gröhl J;Schellenberg M;Dreher K;Maier-Hein L
光声成像（派）是一种有前途的新兴成像模式，它能够对组织中高达几厘米深的光学组织特性进行空间分辨成像，为许多令人兴奋的临床应用创造了潜力。然而，从原始数据中提取相关组织参数需要解决逆图像重建问题，这已被证明是非常难以解决的。深度学习方法的应用最近爆炸式增长，在医学成像领域取得了令人印象深刻的成功，并首次在派领域得到应用。深度学习方法具有独特的优势，可以促进派的临床翻译，例如极快的计算时间以及它们可以适应任何给定问题的事实。在这篇综述中，我们研究了派中深度学习的最新技术水平，并确定了有助于实现临床适用性目标的潜在研究方向。
Photoacoustic imaging (PAI) is a promising emerging imaging modality that enables spatially resolved imaging of optical tissue properties up to several centimeters deep in tissue, creating the potential for numerous exciting clinical applications. However, extraction of relevant tissue parameters from the raw data requires the solving of inverse image reconstruction problems, which have proven extremely difficult to solve. The application of deep learning methods has recently exploded in popularity, leading to impressive successes in the context of medical imaging and also finding first use in the field of PAI. Deep learning methods possess unique advantages that can facilitate the clinical translation of PAI, such as extremely fast computation times and the fact that they can be adapted to any given problem. In this review, we examine the current state of the art regarding deep learning in PAI and identify potential directions of research that will help to reach the goal of clinical applicability.
登录
查看更多内容
影响因子：
3.5
作者：
Bench, Ciaran;Hauptmann, Andreas;Cox, Ben
通讯作者：
Cox, Ben
影响因子：
5
作者：
Aguirre, Andres;Ardeshirpour, Yasaman;Zhu, Quing
通讯作者：
Zhu, Quing
影响因子：
7.9
作者：
Buchmann, Jens;Kaplan, Bernhard;Laufer, Jan
通讯作者：
Laufer, Jan
影响因子：
10.6
作者：
Allman D;Reiter A;Bell MAL
通讯作者：
Bell MAL
光学分辨率光声显微镜中基于深度学习的运动校正算法
DOI：
10.1186/s42492-019-0022-9
发表时间：
2019-10-29
影响因子：
2.8
作者：
Chen, Xingxing;Qi, Weizhi;Xi, Lei
通讯作者：
Xi, Lei