在光声领域，图片质量取决于设备传感器的数量和分布，传感器越多，布置的范围越广，图片的质量就越高。
为了让成本降低，使用少量超声波传感器就能提高低成本光声设备中的图像质量，苏黎世联邦理工学院和苏黎世大学的研究人员就将目光转向了机器学习。他们开发了一个框架，可以利用深度卷积神经网络从稀疏的光声数据中有效恢复图像质量，同时他们展示了他们进行小鼠体内全身成像的方法。
为了生成准确的高分辨率参考图像来训练神经网络，该团队首先开发了具有512个传感器的高端光声扫描仪，然后利用人工神经网络分析并了解该设备生成的高质量图像的特征。接着，研究人员从设备中移除大多数传感器，从而使其成像质量下降。 由于数据不足，图像中出现了条纹型伪像。但是，之前训练有素的神经网络能够纠正大多数此类失真，使图像质量接近设备具有全部512个传感器时获得的测量结果。此外，该团队开发的机器学习算法能够提高在狭窄范围内记录的图像的质量。Daniel Razansky教授说：“这对于临床应用尤为重要，因为激光脉冲无法穿透整个人体，因此成像区域通常只能从一个方向进入。” 而在使用合成或幻像数据进行神经网络训练时，收效甚微，这表明了使用全视图扫描仪获取的高质量体内图像进行训练的重要性。
研究小组表示，该方法可以应用于其他成像技术，因为该方法基于重建的图像，而不是原始记录的数据。“您基本上可以使用相同的方法从任何种类的稀疏数据中生成高质量图像，” Razansky说。医师通常面临着解释低质量图像的挑战。他说：“我们证明，使用AI方法可以改善此类图像，使其更容易获得更准确的诊断。”
通过减轻常见的图像伪影，增强解剖对比度和图像量化能力以及加速数据采集和图像重建，该新方法可以使许多光声成像应用受益。它还可以促进实用和实惠的光声成像系统的开发。
对于他们目前的研究，科学家使用了为小动物定制的光声层析成像设备，并用小鼠的图像训练了机器学习算法。他们的下一步是将他们的方法应用于人类患者的光声图像。
