山川 誠, 椎名 毅

Makoto YAMAKAWA, Tsuyoshi SHIINA

芝浦工業大学SIT総合研究所

SIT Research Laboratories, Shibaura Institute of Technology

キーワード : Photoacoustic imaging, Sparse array sensor, Hemispherical array sensor, Deep learning, Artifact reduction

目的：血管分布は，病気の診断や手術支援における重要な情報である．光音響イメージングは，血管を非侵襲かつ高分解能で画像化できる技術である．光音響イメージングにおいて，様々な方向に走行している血管を描出するには半球型アレイセンサが適している．しかし，技術的・コスト的な問題から素子密度が疎な半球型アレイセンサが用いられており，これによりアーチファクトが生じていた．そこで，本研究ではディープラーニング技術を用いて実素子の信号から仮想素子の信号を生成することで仮想的に稠密なアレイセンサを実現し，アーチファクトを低減する．
方法：3次元畳み込みニューラルネットワーク（CNN）を用いて仮想素子信号を生成することは，膨大な計算コストがかかるため現実的ではない．そこで，私たちは3方向の螺旋パターンに沿って，実素子と実素子の中間に仮想素子を配置し，2次元CNNを用いて仮想素子信号を生成し，実素子と仮想素子の信号を用いて光音響画像を再構成する．
結果：提案手法をシミュレーション実験とヒト掌の計測データを用いて評価した．その結果，実素子のみを用いた画像ではアーチファクトが顕著に見られたが，提案手法を適用した画像ではアーチファクトが大幅に低減された．
結論：提案手法を用いることでアーチファクトを大幅に低減することができ，より深部の血管認識が可能となった．また，処理時間は，臨床計測に十分適用可能な時間であった．

Purpose: Vascular distribution is important information for diagnosing diseases and supporting surgery. Photoacoustic imaging is a technology that can image blood vessels noninvasively and with high resolution. In photoacoustic imaging, a hemispherical array sensor is especially suitable for measuring blood vessels running in various directions. However, as a hemispherical array sensor, a sparse array sensor is often used due to technical and cost issues, which causes artifacts in photoacoustic images. Therefore, in this study, we reduce these artifacts by using deep learning technology to generate signals of virtual dense array sensors.
Methods: Generating 2D virtual array sensor signals using a 3D convolutional neural network （CNN） requires huge computational costs and is impractical. Therefore, we installed virtual sensors between the real sensors along the spiral pattern in three different directions and used a 2D CNN to generate signals of the virtual sensors in each direction. Then, we reconstructed a photoacoustic image using the signals from both the real sensors and the virtual sensors.
Results: We evaluated the proposed method using simulation data and human palm measurement data. We found that these artifacts were significantly reduced in the images reconstructed using the proposed method, while the artifacts were strong in the images obtained only from the real sensor signals.
Conclusion: Using the proposed method, we were able to significantly reduce artifacts, and as a result, it became possible to recognize deep blood vessels. In addition, the processing time of the proposed method was sufficiently applicable to clinical measurement.