CN111035368B - 单通道实时光声断层扫描成像系统与方法 - Google Patents
单通道实时光声断层扫描成像系统与方法 Download PDFInfo
- Publication number
- CN111035368B CN111035368B CN202010013117.9A CN202010013117A CN111035368B CN 111035368 B CN111035368 B CN 111035368B CN 202010013117 A CN202010013117 A CN 202010013117A CN 111035368 B CN111035368 B CN 111035368B
- Authority
- CN
- China
- Prior art keywords
- photoacoustic
- signal
- paths
- channel
- photoacoustic signals
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
- A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0062—Arrangements for scanning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
- A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Signal Processing (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Power Engineering (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Optics & Photonics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种单通道实时光声断层扫描成像系统。本发明的另一个技术方案是提供了一种单通道实时光声断层扫描成像方法本发明提出了一种由深度学习赋能的单通道光声实时成像系统,通过对信号的叠加以及延迟模块得到一路信号。在数字域恢复四路叠加后的信号,并由深度学习模型来重构目标。
Description
技术领域
本发明涉及一种光声计算机层析成像系统及方法。
背景技术
光声成像是一种结合了光学成像和超声成像优点、非侵入性的生物医学成像技术。在保持超声成像的高穿透深度的优点的同时还具备比超声成像更高的空间分辨率。
目前的光声成像系统根据系统配置和应用领域大致分为三类:PACT(光声计算机断层扫描),PAM(光声显微成像)和PAE(光声内窥成像)。现已研究许多具有临床意义的应用,如早期的肿瘤检测和小动物的全身成像。光声计算机断层扫描因其具有快速的成像速度而在预临床领域得到快速的发展,其快速成像也依赖于高速的重构算法。物体在短激光脉冲的照射下会产生超声信号,我们称其为光声信号。通过超声传感器接收光声信号并通过重构算法对光声信号进行重建可以得到初始的光声图像。
光声计算机层析成像(PACT)结合了声学成像与光学成像的优势,具有很大的临床应用前景。一套完整的具有临床价值的光声成像系统主要包括多通道的超声探头,多通道的数据采集卡,以及对应通道的前置放大模块和大功率脉冲激光器。这些部分占据了光声成像系统的主要成本,为了降低系统成本并促进光声成像在具体应用场景中的落地,许多降低系统成本的方法呼之欲出。已有的低成本系统中分别通过使用廉价的激光二极管替代脉冲激光器,以及通过单点探头牺牲扫描时间替代多路探头。
发明内容
本发明的目的是:进一步压缩光声计算机层析成像系统的成本同时保证光声计算机层析成像系统的成像速度。
为了达到上述目的,本发明的一个技术方案是提供了一种单通道实时光声断层扫描成像系统,其特征在于,包括:
激光器,用于照射目标后激发光声信号;
N路环型阵列探头,用于接收由激光器激发的光声信号;
信号叠加电路,用于将N路环型阵列探头接收的N路光声信号中每相邻M路光声信号叠加为1路光声信号,从而输出K路叠加的光声信号,K=N/M,N为M的整数倍;
K路前置放大器,用于将信号叠加电路输出的K路叠加的光声信号放大;
延迟模块,通过延迟模块将K路前置放大器输出的K路光声信号进行适当延迟并叠加在一起成为1通道信号;
数据处理单元,数据处理单元通过单通道的数据采集单元采集延迟模块输出的1通道信号后将1通道信号恢复至K路光声信号,再进一步对这K路光声信号进行重构。
优选地,所述信号叠加电路采用加法电路模块。
本发明的另一个技术方案是提供了一种单通道实时光声断层扫描成像方法,其特征在于,采用上述的系统,包括以下步骤:
步骤1、激光器产生脉冲激光照射目标,从而激发光声信号;
步骤2、由N路环型阵列探头接收步骤1产生的光声信号后传输至信号叠加电路,信号叠加电路将N路环型阵列探头接收的N路光声信号中每相邻M路光声信号叠加为1路光声信号,从而输出K路叠加的光声信号,K=N/M,N为M的整数倍
步骤3、利用K路前置放大器分别将信号叠加电路输出的K路光声信号放大,放大后的光声信号被送入延迟模块,通过延迟模块实现K路光声信号放大的错时叠加,将K路光声信号整合为一路信号;
步骤4、通过单通道的数据采集单元采集步骤3获得的1通道信号后,由数据处理单元将1通道信号恢复至K路光声信号,再进一步对这K路光声信号进行重构。
优选地,步骤2中,所述N路环型阵列探头通过水的耦合接收所述光声信号后传输至所述信号叠加电路。
优选地,步骤4中,采用深度学习网络对K路光声信号进行重构。
本发明提出了一种由深度学习赋能的单通道光声实时成像系统,通过对信号的叠加以及延迟模块得到一路信号。在数字域恢复四路叠加后的信号,并由深度学习模型来重构目标。
附图说明
图1为单通道系统示意图;
图2为用于4路叠加信号重构图像的深度学习网络结构;
图3为系统运行流程图
图4为采集卡采集的单通道光声信号及恢复后的信号,其中,(a)为单通道叠加光声信号;(b)为恢复的第一通道信号;(c)为恢复的第二通道信号;(d)为恢复的第三通道信号;(e)为恢复的第四通道信号;(f)为传统未叠加的单通道光声信号;
图5为仿真实验结果;
图6为仿体实验结果。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
为了进一步降低系统成本,本发明提供的一种单通道实时光声断层扫描成像系统通过减少采集卡的通道进一步压缩系统成本,同时保证其成像速度。本发明可以通过下文所述的部件组合以达到最低成本的系统。如图1所示,激光器照射目标后激发的光声信号由120路环型阵列探头接收后进入信号叠加电路,将相邻30路信号相加成为1路从而得到4路叠加后的光声信号。将4路叠加后的光声信号输入4路前置放大器后,延迟模块可以将4路信号通过适当延迟并叠加在一起成为1通道信号,经单通道的数据采集卡后可以在电脑上将信号恢复至4路,再进一步对这4路信号进行重构。与传统PACT不同的是,本发明提供的系统将120路信号通过相加的形式降低至4路,其每路包含的信息多于传统成像系统的单路信号。但传统的重构方法依旧无法直接重构目标,因此本发明提供的系统还搭配了一个深度学习网络通过4路信号以重构目标。
用于重构的深度学习网络可以是任意可用的结构,在此举一通用网络演示其效果。所用的深度学习网络结构如图2所示,考虑到信号只有4通道的数据,单个数据长度则高达2000多点,维度不平衡的情况下应该使用循环神经网络(RNN)对时间序列进行重新编码。于是网络的编码器部分则由RNN和全连接层(FC)组成。输入维度为4×2048的信号经过编码后变为64的一维大小,可以对其调整维度大小变为8×8。将编码后的8×8特征输入一个卷积神经网络(CNN)的解码器,解码器由几个上采样层组成,上采样层则由上采样运算和两个卷积运算组成,其表达式可以写成:
UP(x)=ReLU{w2*ReLU[w1*up(x)]}
式中,UP(x)表示上采样层,w1、w2表示卷积层的权重,ReLU表示激活函数,up(x)表示上采样运算。在经过几层上采样层后,特征尺寸会变成128×128的大小,接着再经过一次残差层后输出最终图像。
值得注意的是,由于深度学习需要大量数据作为训练集,可以通过仿真或者实验中采集数据并用完整数据的重构结果作为ground-truth,在训练过程中,使用均方误差(MSE)作为网络的损失函数Lrec(y):
式中,y表示网络的输出图片,gt表示ground-truth,F表示矩阵运算。
整个系统的运行流程如图3所示,激光器用于产生脉冲激光,在激光激发光声信号后,120路超声环形探头放置在水箱内,通过水的耦合,光声信号由传感器接收并传至加法电路模块,加法电路将相邻的30路信号相加后得到4路叠加的光声信号。由于光声信号本身比较微弱,需要对其进行放大,于是在经过前置放大器后的光声信号被输入延迟模块。考虑到光声信号通常不会超过40微秒,只要对信号延迟50微秒便可以直接相加后通过计算机恢复。基于以上原则,通过延迟模块可以实现4路光声信号的错时叠加。至此光声信号已经整合为1路,此后只要使用单通道的数据采集卡对信号进行采集转换至数字信号保存在计算机上。
在数字域可以根据延时时间分离光声信号,将其恢复至4路叠加的信号。接收的信号和恢复后的信号如图4所示,延迟恢复后的光声信号有所衰减。最后将恢复后的4路信号输入深度学习网络中可以得到最终重构的图像。
为验证所提出的系统的性能,小球仿体实验作为成像的一个演示。在此前需要对负责重构的网络进行训练,使用MATLAB生成训练数据集,训练结果在测试集上测试的实验的结果如图5所示。
网络可以在仅有4路叠加光声信号的输入下,得到较好的重构结果。在训练完网络后,用仿体演示本系统,系统设置如图1所示。仿体以及仿体实验结果如图6所示,其中,(a)是仿体的照片,(b)是重构的结果。将发明系统与传统的单通道成像系统的成像速度进行比较,比较结果如表1所示,表中将成像过程分为数据采集和图像处理过程,图3包括数据采集在内的之前的流程属于数据采集部分,后面的属于图像处理过程。本发明系统成像速度明显快于传统单通道PACT系统,足够满足实时成像需求。
表1.本发明与传统单通道PACT成像系统的成像速度比较
成像时间 | 本发明 | 传统系统 |
数据采集 | 2.35ms | 261.6s |
图像处理 | 28ms | 159ms |
总计 | 30.35ms | 261.759s |
Claims (4)
1.一种单通道实时光声断层扫描成像系统,其特征在于,包括:
激光器,用于照射目标后激发光声信号;
N路环型阵列探头,用于接收由激光器激发的光声信号,N=120;
信号叠加电路,用于将N路环型阵列探头接收的N路光声信号中每相邻M路光声信号直接相加为1路光声信号,从而输出K路叠加的光声信号,M=30,K=N/M=4;
K路前置放大器,用于将信号叠加电路输出的K路叠加的光声信号放大;
延迟模块,通过延迟模块将K路前置放大器输出的K路光声信号进行适当延迟并叠加在一起成为1通道信号;
数据处理单元,数据处理单元通过单通道的数据采集单元采集延迟模块输出的1通道信号后将1通道信号恢复至K路光声信号,再采用深度学习网络对K路光声信号进行重构,信号有4通道的数据,单个数据长度则高达2000多点,则深度学习网络使用循环神经网络对时间序列进行重新编码,于是深度学习网络的编码器部分则由RNN和全连接层组成;输入维度为4×2048的信号经过编码后变为64的一维大小,对其调整维度大小变为8×8;将编码后的8×8特征输入一个卷积神经网络的解码器,解码器由几个上采样层组成,上采样层则由上采样运算和两个卷积运算组成;在经过几层上采样层后,特征尺寸变成128×128的大小,接着再经过一次残差层后输出最终图像。
2.如权利要求1所述的一种单通道实时光声断层扫描成像系统,其特征在于,所述信号叠加电路采用加法电路模块。
3.一种单通道实时光声断层扫描成像方法,其特征在于,采用如权利要求1所述的系统,包括以下步骤:
步骤1、激光器产生脉冲激光照射目标,从而激发光声信号;
步骤2、由N路环型阵列探头接收步骤1产生的光声信号后传输至信号叠加电路,N=120,信号叠加电路将N路环型阵列探头接收的N路光声信号中每相邻M路光声信号直接相加为1路光声信号,从而输出K路叠加的光声信号,M=30,K=N/M=4;
步骤3、利用K路前置放大器分别将信号叠加电路输出的K路光声信号放大,放大后的光声信号被送入延迟模块,通过延迟模块实现K路光声信号放大的错时叠加,将K路光声信号整合为一路信号;
步骤4、通过单通道的数据采集单元采集步骤3获得的1通道信号后,由数据处理单元将1通道信号恢复至K路光声信号,再采用深度学习网络对K路光声信号进行重构,信号有4通道的数据,单个数据长度则高达2000多点,则深度学习网络使用循环神经网络对时间序列进行重新编码,于是深度学习网络的编码器部分则由RNN和全连接层组成;输入维度为4×2048的信号经过编码后变为64的一维大小,对其调整维度大小变为8×8;将编码后的8×8特征输入一个卷积神经网络的解码器,解码器由几个上采样层组成,上采样层则由上采样运算和两个卷积运算组成;在经过几层上采样层后,特征尺寸变成128×128的大小,接着再经过一次残差层后输出最终图像。
4.如权利要求3所述的一种单通道实时光声断层扫描成像方法,其特征在于,步骤2中,所述N路环型阵列探头通过水的耦合接收所述光声信号后传输至所述信号叠加电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013117.9A CN111035368B (zh) | 2020-01-07 | 2020-01-07 | 单通道实时光声断层扫描成像系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013117.9A CN111035368B (zh) | 2020-01-07 | 2020-01-07 | 单通道实时光声断层扫描成像系统与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111035368A CN111035368A (zh) | 2020-04-21 |
CN111035368B true CN111035368B (zh) | 2022-12-13 |
Family
ID=70243918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013117.9A Active CN111035368B (zh) | 2020-01-07 | 2020-01-07 | 单通道实时光声断层扫描成像系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111035368B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112461764A (zh) * | 2020-11-17 | 2021-03-09 | 上海科技大学 | 一种基于可编程声延迟线的多合一数据采集方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1493380A1 (en) * | 2003-07-02 | 2005-01-05 | Kabushiki Kaisha Toshiba | Method and apparatus for forming an image |
JP2012081004A (ja) * | 2010-10-08 | 2012-04-26 | Canon Inc | 被検体情報処理装置 |
CN102449498A (zh) * | 2009-05-25 | 2012-05-09 | 佳能株式会社 | 测量装置 |
JP2013013452A (ja) * | 2011-06-30 | 2013-01-24 | Toshiba Corp | 超音波診断装置及び制御プログラム |
WO2014087532A1 (ja) * | 2012-12-07 | 2014-06-12 | 株式会社日立製作所 | 超音波探触子及び超音波診断装置 |
WO2017181475A1 (zh) * | 2016-04-22 | 2017-10-26 | 深圳先进技术研究院 | 一种延迟激励超声成像方法、装置及延迟激励系统 |
CN110367942A (zh) * | 2019-08-23 | 2019-10-25 | 中国科学技术大学 | 光声成像系统及方法 |
CN110623645A (zh) * | 2019-10-18 | 2019-12-31 | 南昌航空大学 | 一种光学相干层析成像与光声成像集成装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8440952B2 (en) * | 2008-11-18 | 2013-05-14 | The Regents Of The University Of California | Methods for optical amplified imaging using a two-dimensional spectral brush |
US11832969B2 (en) * | 2016-12-22 | 2023-12-05 | The Johns Hopkins University | Machine learning approach to beamforming |
-
2020
- 2020-01-07 CN CN202010013117.9A patent/CN111035368B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1493380A1 (en) * | 2003-07-02 | 2005-01-05 | Kabushiki Kaisha Toshiba | Method and apparatus for forming an image |
CN102449498A (zh) * | 2009-05-25 | 2012-05-09 | 佳能株式会社 | 测量装置 |
JP2012081004A (ja) * | 2010-10-08 | 2012-04-26 | Canon Inc | 被検体情報処理装置 |
JP2013013452A (ja) * | 2011-06-30 | 2013-01-24 | Toshiba Corp | 超音波診断装置及び制御プログラム |
WO2014087532A1 (ja) * | 2012-12-07 | 2014-06-12 | 株式会社日立製作所 | 超音波探触子及び超音波診断装置 |
WO2017181475A1 (zh) * | 2016-04-22 | 2017-10-26 | 深圳先进技术研究院 | 一种延迟激励超声成像方法、装置及延迟激励系统 |
CN110367942A (zh) * | 2019-08-23 | 2019-10-25 | 中国科学技术大学 | 光声成像系统及方法 |
CN110623645A (zh) * | 2019-10-18 | 2019-12-31 | 南昌航空大学 | 一种光学相干层析成像与光声成像集成装置 |
Non-Patent Citations (4)
Title |
---|
Deep Learning Enabled Real-Time;Hengrong Lan;《Photoacoustics》;20211231 * |
Deep Learning for Fast Adaptive Beamforming(Conference Paper);Luijten等;《ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings》;20191231;第1333-1337页 * |
基于热声系统的组织成像研究及图像重建;苏渤力;《中国优秀上述学位论文全文数据库(信息科技辑)》;20160112;第I138-496页 * |
应用于人眼成像的扫频源相干层析系统的关键技术研究;高峰;《中国优秀硕士学位论文全文数据库》;20170215;第I138-2994页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111035368A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104688271B (zh) | 合成聚焦超声成像方法和装置 | |
DE102016100367B4 (de) | Spärliche Verfolgung in Schallstrahlintensitätsimpuls-Bildgebung | |
CN105011909A (zh) | 被检体信息获取设备和被检体信息获取方法 | |
Wagner et al. | Xampling in ultrasound imaging | |
US20210236095A1 (en) | Ultrasound ct image reconstruction method and system based on ray theory | |
CN111248909A (zh) | 基于生物电阻抗断层成像的医疗成像系统、方法及设备 | |
EP3232937A1 (en) | Ultrasound system for high-speed and high resolution imaging applications | |
CN106680825A (zh) | 一种声学阵列成像系统与方法 | |
WO2019023422A1 (en) | METHODS FOR ULTRASONIC IMAGING WITH CODED MULTIPLE PULSE CONTRAST AUGMENTATION | |
CN111035368B (zh) | 单通道实时光声断层扫描成像系统与方法 | |
US11816767B1 (en) | Method and system for reconstructing magnetic particle distribution model based on time-frequency spectrum enhancement | |
Lan et al. | Deep learning enabled real-time photoacoustic tomography system via single data acquisition channel | |
EP3570068A1 (en) | Enhanced ultrasound image formation using qualified regions of overlapping transmit beams | |
CN111383177B (zh) | 一种激光超声可视化图像分辨率提升方法 | |
CN111353935A (zh) | 基于深度学习的磁共振成像优化方法及其设备 | |
Jiang et al. | Programmable acoustic delay-line enabled low-cost photoacoustic tomography system | |
Zhou et al. | Wavelet de-noising method with adaptive threshold selection for photoacoustic tomography | |
Qu et al. | A deep learning-based automatic first-arrival picking method for ultrasound sound-speed tomography | |
Hakakzadeh et al. | Unipolar back-projection algorithm for photoacoustic tomography | |
Xiao et al. | Minimizing image quality loss after channel count reduction for plane wave ultrasound via deep learning inference | |
Zhang et al. | Super acoustic resolution photoacoustic microscopy imaging enhancement | |
CN115619889B (zh) | 一种适用于环形阵列的多特征融合光声图像重建方法 | |
Brown et al. | Deep learning implementation of super-resolution ultrasound imaging for tissue decluttering and contrast agent localization | |
CN108573474B (zh) | 一种采用逆卷积运算的光声图像优化方法 | |
Sun et al. | Tumor photoacoustic image reconstruction method based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |