A Learning-based Framework for Spatial Impulse Response Compensation in 3D Photoacoustic Computed Tomography
作者: Kaiyi Yang, Seonyeong Park, Gangwon Jeong, Hsuan-Kai Huang, Alexander A. Oraevsky, Umberto Villa, Mark A. Anastasio
分类: cs.LG, eess.SP, physics.med-ph
发布日期: 2026-01-28
备注: Submitted to IEEE TMI
💡 一句话要点
提出基于学习的空间脉冲响应补偿框架，加速3D光声计算层析成像。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 光声计算层析成像 空间脉冲响应 图像重建 深度学习 U-Net 数据补偿 三维成像 医学影像
📋 核心要点
- 传统PACT重建方法忽略换能器空间脉冲响应(SIR)，导致使用大面积换能器时图像分辨率下降。
- 提出基于学习的SIR补偿框架，将受SIR影响的数据映射到理想点状换能器数据，再进行快速重建。
- 实验验证表明，该框架能有效提高分辨率，对噪声、物体复杂性和声速异质性具有鲁棒性，并能改善体内乳腺成像效果。
📝 摘要（中文）
光声计算层析成像(PACT)结合了光学对比度和超声检测的优势，是一种很有前景的成像方式。使用更大表面积的超声换能器可以提高检测灵敏度。然而，当采用计算高效的解析重建方法而忽略换能器的空间脉冲响应(SIR)时，重建图像的空间分辨率会受到影响。虽然基于优化的重建方法可以显式地考虑SIR效应，但其计算成本通常很高，尤其是在三维(3D)应用中。为了满足对精确但快速的3D PACT图像重建的需求，本研究提出了一种框架，用于建立在数据域中运行的基于学习的SIR补偿方法。学习的补偿方法将SIR损坏的PACT测量数据映射到由理想点状换能器记录的补偿数据。随后，补偿后的数据可以与忽略SIR效应的计算高效的重建方法一起使用。研究了两种学习补偿模型的变体，它们采用U-Net模型和一个专门设计的、受物理启发的模型，称为Deconv-Net。快速的解析训练数据生成程序也是所提出的框架的一个组成部分。该框架在虚拟成像研究中得到了严格的验证，证明了分辨率的提高以及对噪声变化、物体复杂性和声速异质性的鲁棒性。当应用于体内乳腺成像数据时，学习的补偿模型揭示了被SIR引起的伪影所掩盖的精细结构。据我们所知，这是首次在3D PACT成像中演示学习的SIR补偿。
🔬 方法详解
问题定义：论文旨在解决3D光声计算层析成像(PACT)中，由于使用大面积超声换能器而导致的空间脉冲响应(SIR)对图像分辨率的影响。现有的解析重建方法忽略SIR，导致分辨率下降；基于优化的方法虽然考虑了SIR，但计算成本过高，难以应用于3D场景。
核心思路：论文的核心思路是通过学习一个补偿模型，将受SIR影响的PACT测量数据转换（映射）为理想点状换能器所记录的数据。这样，就可以使用计算效率高的解析重建方法，同时避免SIR带来的分辨率损失。这种数据域的补偿方法旨在平衡重建精度和计算效率。
技术框架：整体框架包含以下几个主要步骤：1) 使用大面积换能器获取PACT测量数据；2) 使用学习的SIR补偿模型（U-Net或Deconv-Net）将测量数据映射到补偿后的数据；3) 使用计算高效的解析重建方法（忽略SIR）重建图像。框架的关键在于训练SIR补偿模型，使其能够准确地模拟理想点状换能器的数据。
关键创新：主要创新在于提出了一种基于学习的SIR补偿方法，并将其应用于3D PACT成像。与传统的基于优化的方法相比，该方法计算效率更高。此外，论文还提出了一个快速的解析训练数据生成程序，用于训练补偿模型。Deconv-Net是另一个创新点，它是一种专门设计的、受物理启发的网络结构，更适合SIR补偿任务。
关键设计：论文研究了两种补偿模型：U-Net和Deconv-Net。Deconv-Net的设计灵感来源于反卷积操作，旨在模拟SIR的逆过程。训练数据通过快速解析方法生成，避免了耗时的数值模拟。损失函数的设计目标是最小化补偿后数据与理想点状换能器数据的差异。具体的网络结构和参数设置在论文中有详细描述，但摘要中未提供具体数值。
🖼️ 关键图片
📊 实验亮点
论文通过虚拟成像实验验证了该框架的有效性，结果表明，该方法能够显著提高图像分辨率，并且对噪声、物体复杂性和声速异质性具有良好的鲁棒性。此外，将该方法应用于体内乳腺成像数据，成功揭示了被SIR伪影掩盖的精细结构，证明了其在实际应用中的潜力。具体的性能提升数据（例如分辨率提升的具体数值）需要在论文正文中查找。
🎯 应用场景
该研究成果可应用于乳腺癌检测、血管成像等需要高分辨率3D光声成像的领域。通过提高成像速度和质量，有助于医生更准确地诊断疾病，并为临床研究提供更可靠的数据。未来，该技术有望推广到其他生物医学成像应用中，例如脑功能成像和药物输送监测。
📄 摘要（原文）
Photoacoustic computed tomography (PACT) is a promising imaging modality that combines the advantages of optical contrast with ultrasound detection. Utilizing ultrasound transducers with larger surface areas can improve detection sensitivity. However, when computationally efficient analytic reconstruction methods that neglect the spatial impulse responses (SIRs) of the transducer are employed, the spatial resolution of the reconstructed images will be compromised. Although optimization-based reconstruction methods can explicitly account for SIR effects, their computational cost is generally high, particularly in three-dimensional (3D) applications. To address the need for accurate but rapid 3D PACT image reconstruction, this study presents a framework for establishing a learned SIR compensation method that operates in the data domain. The learned compensation method maps SIR-corrupted PACT measurement data to compensated data that would have been recorded by idealized point-like transducers. Subsequently, the compensated data can be used with a computationally efficient reconstruction method that neglects SIR effects. Two variants of the learned compensation model are investigated that employ a U-Net model and a specifically designed, physics-inspired model, referred to as Deconv-Net. A fast and analytical training data generation procedure is also a component of the presented framework. The framework is rigorously validated in virtual imaging studies, demonstrating resolution improvement and robustness to noise variations, object complexity, and sound speed heterogeneity. When applied to in-vivo breast imaging data, the learned compensation models revealed fine structures that had been obscured by SIR-induced artifacts. To our knowledge, this is the first demonstration of learned SIR compensation in 3D PACT imaging.