semi-synthetic training datasets

本研究开发了半合成训练数据集，结合模拟数据和体内测量数据，以解决真实数据获取困难和纯模拟数据真实性不足的问题。数据集包含2000张图像，用于训练深度学习模型，以增强LED基光声成像中的临床金属针头可见性。该模型在血-血管模拟幻影、离体猪肉组织和人体手指的体内成像中进行了评估，显著提高了针头在光声成像中的可见性，有助于减少经皮针插入过程中的并发症。This study developed a semi-synthetic training dataset that integrates simulated data and in vivo measured data, to resolve the dual issues of limited availability of real-world clinical data and the poor authenticity of purely simulated datasets. The dataset consists of 2000 images, which are utilized to train deep learning models for improving the visibility of clinical metallic needles in LED-based photoacoustic imaging. The trained model was evaluated via in vivo imaging of blood-vessel phantoms, ex vivo porcine tissue, and human fingers, and the experiments demonstrated that the model significantly enhanced the visibility of needles in photoacoustic imaging, thereby helping to reduce complications associated with percutaneous needle insertion procedures.

搜集汇总

数据集介绍

构建方式

semi-synthetic training datasets数据集的构建方式采用了深度学习框架，基于U-Net架构，旨在提高LED光声成像中临床金属针的可见性。为了解决真实数据中难以获取地面实况以及纯模拟数据现实感较差的问题，该框架包括生成半合成训练数据集，结合模拟数据和活体测量，以代表针的特征和组织背景。半合成数据集的生成过程分为三个主要步骤：1）获取活体数据以考虑来自生物组织的背景光声信号；2）生成来自针的模拟传感器数据；3）使用合成和测量数据的原始通道数据进行图像重建。

特点

semi-synthetic training datasets数据集的特点在于其半合成性质，结合了模拟数据和活体测量数据，以提供更接近真实情况的训练数据。这使得深度学习模型能够在没有真实标注数据的情况下进行训练，从而提高了模型的泛化能力和鲁棒性。此外，该数据集还包含了不同针插入深度和角度的模拟数据，以及活体组织的测量数据，使得模型能够适应各种临床场景。

使用方法

使用semi-synthetic training datasets数据集的方法包括以下步骤：1）使用k-Wave工具箱进行模拟传感器数据生成，模拟针的光学通量分布；2）将模拟的RF数据和活体测量的RF数据组合并重建图像；3）将重建的图像裁剪并缩放到适当的大小，以便用于网络训练；4）使用PyTorch框架实现U-Net网络，并对半合成数据集进行训练；5）使用最大轮廓选择算法对网络输出进行后处理，以去除假阳性结果。

背景与挑战

背景概述

在光声成像领域中，针的可见性对于引导微创手术至关重要。本文所述的半合成训练数据集，由伦敦国王学院生物医学工程与影像科学学院的研究团队开发，旨在解决基于发光二极管(LED)的光声成像系统中针的可见性问题。该数据集的创建时间为2022年7月，通过结合模拟数据和活体测量数据，生成半合成训练数据集，以训练深度学习模型，提高临床金属针的可见性。该数据集在光声成像领域具有重要的影响力，为微创手术的准确引导提供了新的技术支持。

当前挑战

该数据集面临的挑战包括：1) 在光声成像中提高针的可见性，尤其是在LED光源下，由于光通量低，针的可见性受到限制；2) 构建过程中遇到的挑战，包括如何捕捉真实数据的真实值以及如何生成具有较高真实感的模拟数据。此外，由于光声成像中背景组织与针的特征差异较大，传统的深度学习模型在光声成像中的应用效果不佳。为了解决这些问题，研究人员提出了半合成数据集的构建方法，并利用U-Net网络进行针的可见性增强。实验结果表明，该方法在提高针的可见性方面取得了显著的效果，为微创手术的准确引导提供了新的技术支持。

常用场景

经典使用场景

该数据集主要用于基于深度学习的针可见性提升，特别是在基于LED的光声成像系统中。该框架结合了模拟数据和体内组织背景测量数据，以生成半合成训练数据集，从而提高临床金属针的可见性。该数据集被用于训练深度学习模型，以实现图像重建和增强，并在体内图像上进行了评估。

衍生相关工作

该数据集衍生了多种相关的经典工作。例如，研究人员使用半合成数据集训练深度学习模型，以提高光声成像中血管结构的可见性。此外，研究人员还使用该数据集评估了深度学习模型在体内图像上的性能，并与其他图像处理算法进行了比较。这些研究结果表明，基于半合成数据集的深度学习模型在光声成像中具有很好的应用前景。

数据集最近研究

最新研究方向

该研究提出了一个基于深度学习的框架，旨在利用半合成数据集提高LED基光声成像中临床金属针的可见性。半合成数据集的生成结合了模拟数据（代表针的特征）和在体测量（代表组织背景），以解决实际数据中获取真实标签的复杂性和纯模拟数据缺乏真实感的问题。该框架在模拟血管仿体、离体猪肉组织以及在体志愿者手指中插入针的实验中进行了评估。结果表明，与传统的重建方法相比，该框架显著提高了光声成像中针的可见性，信号噪声比（SNR）和修正豪斯多夫距离（MHD）分别提高了5.8倍和4.5倍。这项研究为减少经皮针插入过程中可能出现的并发症提供了新的思路，并有助于光声成像技术在临床上的应用。

相关研究论文

• Improving needle visibility in LED-based photoacoustic imaging using deep learning with semi-synthetic datasets

  伦敦国王学院生物医学工程与成像科学学院 · 2022年