我院智能医学信息研究中心混合成像系统实验室（HISLab）根据调研近几年深度学习用于解决光声成像内各类问题的所有论文，经过细化、分类、总览后撰写为一篇题目为“Review of deep learning for photoacoustic imaging”的手稿，该文章目前已被光声影像领域顶级期刊Photoacoustics（中科院工程大类1区，IF：5.870）收录。
光声成像结合了光学成像对比度高和超声成像穿透深度深的优点，对软组织的敏感度高，为现有医学影像技术提供了一种互补性的成像手段。尽管与医学成像的其他方式相比，光声成像是一种崭新的成像方法，但深度学习仍显示出广阔的应用前景。更具体地说，深度学习已应用于整个光声成像工作流程的每个步骤。如何进行图像质量的增强，即从传感器数据中获取高质量的光声图像；如何用重建的光声图像进行图像分割，分类和疾病检测；如何在无外源性对比条件下提供功能性成像，即精确的定量血氧饱和度，这也是光声成像的独特优势；如何辅助光声成像的预临床或临床应用，都有相关使用深度学习的研究发表。根据对这些文献的统计分析，论文数量与年份的关系如图1所示。可以看出，光声成像中使用的深度学习的文章数量每年都在显著增加。同时在表1给出了按任务类别分类的文章数量，并进一步的在图2分析了目前光声成像不同的任务和深度学习架构之间的关系图。
图1 近年来光声成像中使用深度学习的论文数量。对于2020年的数据，仅计算9月15日之前的论文。
表1 按任务类别分类的文章数量
图2 描述目前最新的光声成像任务和深度学习架构的关系图。
从任务分类的角度，课题组从六个任务分别去综述每个类别下目前检索到的所有的文献，分别是光声图像重构，定量光声成像，光声图像检测，光声图像分类，光声图像分割，光声辅助诊断等六个角度。最后他们简要总结了光声成像中用于深度学习研究的可用数据集。尽管受光声成像设备尚未在临床上可用的现状的限制，并且开放数据集的数量很少，但他们相信，课题组给出的这些仍然可以帮助同行根据这些数据集进行高质量的研究。现有的数据集可分为两类：一类是符合生理学的数字仿体，另一类是实验采集到的光声成像数据。
上海科技大学为该研究成果的第一完成单位，信息学院2018级硕士研究生杨长春和2019级博士研究生兰恒荣为论文的共同第一作者，高飞教授为通讯作者。该项研究得到了国家自然科学基金，上海市自然科学基金，和上海科技大学启动资金的支持。
文章链接：https://arxiv.org/ftp/arxiv/papers/2008/2008.04221.pdf
最近两年，HISLab实验室已经发表和投稿多篇深度学习用于光声成像的研究成果，简要汇总如下：
(Changchun Yang, et al, MICCAI 2019) EDA-net: Dense aggregation of deep and shallow information achieves quantitative photoacoustic blood oxygenation imaging deep in human breast
(Hengrong Lan, et al, MICCAI 2019) Ki-GAN: Knowledge Infusion Generative Adversarial Network for Photoacoustic Image Reconstruction In Vivo
(Changchun Yang, et al, EMBC 2019）Accelerated Photoacoustic Tomography Reconstruction via Recurrent Inference Machines
（Hengrong Lan, et al, EMBC 2019）Reconstruct the Photoacoustic Image Based On Deep Learning with Multi-frequency Ring-shape Transducer Array
（Hengrong Lan, et al, EMBC 2019）Hybrid Neural Network for Photoacoustic Imaging Reconstruction
(Hengrong Lan, et al, IUS 2019) Solving Limited-view Problem by Multi-frequency Photoacoustic Characteristic Synthesis via Deep Learning
（Changchun Yang, et al, ISBI 2019）Quantitative photoacoustic blood oxygenation imaging using deep residual and recurrent neural network
（Jiayao Zhang, et al, IEEE Access 2019）Photoacoustic image classification and segmentation of breast cancer: a feasibility study
（Hengrong Lan, et al, IEEE JSTQE 2019）Photoacoustic Classification of Tumor Model Morphology Based on Support Vector Machine: A Simulation and Phantom Study
（Yaxin Ma, et al, EMBC 2020）Human Breast Numerical Model Generation Based on Deep Learning for Photoacoustic Imaging
（Hengrong Lan, et al, Photoacoustics 2020）Y-Net: Hybrid deep learning image reconstruction for photoacoustic tomography in vivo
(Changchun Yang, et al, AAAI 2021 in revision) Deep Learning Enables Robust and Precise Light Focusing on Treatment Needs
(Tengbo Lyu, et al, ISBI 2021 under review) 3D Simulation of human skin vascular for quantitative photoacoustic computed tomography
(Jiadong Zhang, et al, ISBI 2021 under review) Limited-view photoacoustic image reconstruction with dual domain inputs based on mutual information
(Hengrong Lan, Daohuai Jiang, et al, IEEE TBME under review) Real-Time Photoacoustic Tomography System via Single Data Acquisition Channel
(Hengrong Lan, Changchun Yang, et al, IEEE TMI under review) Beyond Supervised Reconstruction: Limit-view Compensation and Artifacts Removal for Photoacoustic Tomography
沪公网安备 31011502006855号
