Learning Tissue Geometries for Photoacoustic Image Analysis

Die photoakustische Bildgebung (PAI) ist vielversprechend, als nichtionisierende Bildgebungsmodalität Einblicke in physiologische Gewebeeigenschaften zu ermöglichen. Die Schätzung dieser Gewebeeigenschaften mit PAI birgt jedoch zwei Herausforderungen: (1) der Mangel an Grundwahrheiten dieser Eigenschaften in vivo und (2) die Lösung eines nichtlinearen, schlecht gestellten inversen Problems. Während auf Simulationen trainierte “Deep Learning” (DL) Ansätze zur Lösung des inversen Problems vielversprechend sind, ist ihre Anwendbarkeit durch die ""sim-to-real" Diskrepanz limitiert. Ziel dieser Arbeit war es, datengetriebene Methoden zur Verbesserung der Realitätsnähe von PAI Simulationen ("learning-to-simulate") zu erforschen. Der Forschungsschwerpunkt lag auf Methoden zur Generierung von Gewebegeometrien, die eine Vielzahl unterschiedlicher Gewebetypen und -morphologien abdecken und eine Schlüsselkomponente in PAI Simulationen darstellen.