左边是血管的噪声低流量光声显微图像
通过使用机器学习，这个团队能够创建一个去噪的图像，如图所示
信用:胡实验室
光声显微术(PAM)允许研究人员看到体内最小的血管，但它会产生一些不想要的信号或噪音
圣路易斯华盛顿大学麦克勒维工程学院的一组研究人员
Louis找到了一种方法，可以显著降低噪声并保持图像质量，同时将生成图像所需的激光能量减少80%
生物医学工程副教授宋虎和他的实验室成员设计了这种新方法，使用了一种基于机器学习的图像处理技术，称为稀疏编码，来去除老鼠大脑中血管结构、氧饱和度和血流的PAM图像中的噪声
这项工作的结果在线发表在IEEE医学影像杂志上
为了获得这样的图像，研究人员需要密集的数据采样，这需要高激光脉冲重复率，这可能会引起安全问题
然而，降低激光脉冲能量会导致图像质量受损以及血氧和血流量的测量不准确
这就是胡实验室的博士生、论文的第一作者王引入稀疏编码的原因，稀疏编码是一种常用于图像处理的机器学习，不需要训练的基本原理，可以在使用低激光剂量的情况下提高图像质量和定量精度
该团队将该技术应用于正常和能量水平降低时小鼠大脑中血红蛋白浓度、氧合和流量的图像
他们的两步方法表现非常好，显著降低了噪声，并获得了类似的图像质量，这在以前只有五倍高的激光能量才有可能
“在我们方法的第一步中，稀疏编码将在不同组织位置采集的横截面扫描(称为B扫描)中的血管信号与噪声分离，因为噪声不如信号稀疏，”王说
“然后，我们对第二步中去噪的B扫描形成的投影图像应用了相同的稀疏编码策略，以进一步抑制背景噪声
" 胡说，虽然机器学习以前已经被用于光声图像去噪，但他们的两步方法是一个进步
“我们的方法允许我们去除噪音，保持信号完整，”胡说
“它不仅提供了更高的微血管可视性，还保留了信号表现，为我们提供了定量成像的机会
" 虽然这是这些机器学习工具能做什么的初步证明，胡说，它显示了先进的计算工具在成像，特别是光声显微术中的重要性
他说:“激光能量减少五倍是有希望的，但我们认为我们可以通过后续进展做得更多，不仅减少激光能量，还可以提高时间分辨率，或者说我们可以多快拍摄图像而不损失分辨率和空间覆盖范围。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
