摘要
光声断层成像（PAT）结合了生物组织的光学吸收对比度与超声的空间分辨率，但从稀疏视图传感器测量中恢复初始压力分布仍然是一个不适定的反问题。迭代压缩感知求解器和展开的深度网络在推理时都依赖于系统矩阵，这使得实时临床重建计算成本高昂。
本文提出了一种传感器注意力网络（SAN），这是一种基于Transformer的架构，将每个传感器的完整时间序列视为一个token，直接将原始测量映射到重建图像，而无需在推理时调用系统矩阵。
为训练和基准测试，构建了一个解析的k空间H矩阵，并在匹配几何下与k-Wave伪谱求解器进行了验证，达到了每个传感器平均皮尔逊相关系数0.919 +/- 0.049。k空间加权和高斯时间衰减协同作用，能量归一化不匹配降低了49%。
使用488个增强样本进行训练，以血管加权损失为目标，对46个保留样本进行评估，结果显示SAN在SSIM（0.522）和PSNR（22.09 dB）上达到了最高，NMSE（0.233）最低。成对t检验和Wilcoxon符号秩检验证实了SAN在PSNR、NMSE和皮尔逊相关性上相较于LISTA的优越性，p值显著。
博主点评： 本文提出的传感器注意力网络（SAN）有效地解决了光声成像中的关键计算瓶颈，利用Transformer结构的优势，避免了传统方法对系统矩阵的依赖，展现了在临床应用中的巨大潜力，值得进一步关注与研究。