nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

Approximate k-Space Models and Deep Learning for Fast Photoacoustic Reconstruction

verfasst von : Andreas Hauptmann, Ben Cox, Felix Lucka, Nam Huynh, Marta Betcke, Paul Beard, Simon Arridge

Erschienen in: Machine Learning for Medical Image Reconstruction

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

We present a framework for accelerated iterative reconstructions using a fast and approximate forward model that is based on k-space methods for photoacoustic tomography. The approximate model introduces aliasing artefacts in the gradient information for the iterative reconstruction, but these artefacts are highly structured and we can train a CNN that can use the approximate information to perform an iterative reconstruction. We show feasibility of the method for human in-vivo measurements in a limited-view geometry. The proposed method is able to produce superior results to total variation reconstructions with a speed-up of 32 times.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel A U-Nets Cascade for Sparse View Computed Tomography

Nächstes Kapitel Deep Learning Based Image Reconstruction for Diffuse Optical Tomography

Upputuri, P., Pramanik, M.: Recent advances toward preclinical and clinical translation of photoacoustic tomography: a review. J. Biomed. Opt. 22(4), 041006 (2016)CrossRef

Beard, P.: Biomedical photoacoustic imaging. Interface Focus 1(4), 602–631 (2011)CrossRef

Choi, W., Seungwan, E., Chulhong, J.: Clinical photoacoustic imaging platforms. Biomed. Eng. Lett. 7, 1–17 (2018)

Cox, B., Beard, P.: Fast calculation of pulsed photoacoustic fields in fluids using k-space methods. J. Acoust. Soc. Am. 117(6), 3616–3627 (2005)CrossRef

Lutzweiler, C., Razansky, D.: Optoacoustic imaging and tomography: reconstruction approaches and outstanding challenges in image performance and quantification. Sensors 13(6), 7345 (2013)CrossRef

Köstli, K., Frenz, M., Bebie, H., Weber, H.: Temporal backward projection of optoacoustic pressure transients using Fourier transform methods. Phys. Med. Biol. 46(7), 1863–1872 (2001)CrossRef

Xu, Y., Wang, L., Ambartsoumian, G., Kuchment, P.: Reconstructions in limited-view thermoacoustic tomography. Med. Phys. 31(4), 724–733 (2004)CrossRef

Huang, C., Wang, K., Nie, L., Wang, L.V., Anastasio, M.: Full-wave iterative image reconstruction in photoacoustic tomography with acoustically inhomogeneous media. IEEE Trans. Med. Imaging 32(6), 1097–1110 (2013)CrossRef

Arridge, S., Betcke, M., Cox, B., Lucka, F., Treeby, B.: On the adjoint operator in photoacoustic tomography. Inverse Probl. 32(11), 115012 (2016)MathSciNetCrossRef

10.

Arridge, S.R., et al.: Accelerated high-resolution photoacoustic tomography via compressed sensing. Phys. Med. Biol. 61(24), 8908 (2016)CrossRef

11.

Boink, Y.E., Lagerwerf, M.J., Steenbergen, W., van Gils, S.A., Manohar, S., Brune, C.: A framework for directional and higher-order reconstruction in photoacoustic tomography. Phys. Med. Biol. 63(4), 045018 (2018)CrossRef

12.

Hammernik, K., et al.: Learning a variational network for reconstruction of accelerated MRI data. Magn. Reson. Med. 79(6), 3055–3071 (2018)CrossRef

13.

Adler, J., Öktem, O.: Solving ill-posed inverse problems using iterative deep neural networks. Inverse Probl. 33(12), 124007 (2017)MathSciNetCrossRef

14.

Hauptmann, M., et al.: Model based learning for accelerated, limited-view 3D photoacoustic tomography. IEEE Trans. Med. Imag. 37(6), 1382–1393 (2018)CrossRef

15.

Jin, K., McCann, M., Froustey, E., Unser, M.: Deep convolutional neural network for inverse problems in imaging. IEEE Trans. Image Process. 26(9), 4509–4522 (2017)MathSciNetCrossRef

16.

Huynh, N., Ogunlade, O., Zhang, E., Cox, B., Beard, P.: Photoacoustic imaging using an 8-beam Fabry-perot scanner. In: Photons Plus Ultrasound: Imaging and Sensing 2016, vol. 9708, p. 97082L (2016)

Titel: Approximate k-Space Models and Deep Learning for Fast Photoacoustic Reconstruction
verfasst von: Andreas Hauptmann
Ben Cox
Felix Lucka
Nam Huynh
Marta Betcke
Paul Beard
Simon Arridge
Verlag: Springer International Publishing
Buch: Machine Learning for Medical Image Reconstruction
Print ISBN: 978-3-030-00128-5

Electronic ISBN: 978-3-030-00129-2

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-030-00129-2_12

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"