Efficient Deep Model-Based Optoacoustic Image Reconstruction

多光谱光声断层成像技术的临床采用需要提高实时图像质量，并降低扫描仪的财务成本。最近，深度学习方法已经实现了高质量光声图像的实时重建。然而，目前使用的深度神经网络架构需要强大的图形处理单元以在足够高的帧率下推断图像，因此大大增加了价格。在此，我们提出了EfficientDeepMB，这是一种相对轻量级（17M参数）的网络结构，可以在中型图形卡上实现高帧率而不会明显降低图像质量。EfficientDeepMB建立在DeepMB和EfficientNet之上，前者是一个先前建立的深度学习框架，用于实时重建高质量图像，后者是一个设计用于移动设备的网络架构。我们使用大量和多样的体内光声扫描数据集展示了EfficientDeepMB在重建速度和准确性方面的性能。EfficientDeepMB比DeepMB快三到五倍：在中型NVIDIA RTX A2000 Ada上部署EfficientDeepMB可以以足够的速度重建图像（59Hz），而DeepMB无法满足实时推断阈值（14Hz）。EfficientDeepMB和DeepMB的重建精度之间的定量差异微小（数据残差范数分别为0.1560和0.1487，平均绝对误差分别为0.642和0.745）。两种重建方法推断出的图像之间没有明显的质量差异。

提高多光谱光声断层成像的实时图像质量和降低成本。

提出了一个相对轻量级的神经网络结构EfficientDeepMB，结合了DeepMB和EfficientNet，能够在中等大小的图形卡上实现高帧率的图像重建，同时保持图像质量。

EfficientDeepMB比DeepMB快3到5倍，但重建精度差异不大；使用大量多样化的体内光声扫描数据集进行了性能测试；论文开源了代码。

与该研究相关的其他论文包括DeepMB、EfficientNet等。