Work

Utilization of neural networks in Monte Carlo simulations in quantitative photoacoustic tomography

Year: 2024
Type: dissertation
Abstract: Tiivistelmä Kvantitatiivinen fotoakustinen tomografia (QPAT) on kuvantamismenetelmä, jossa estimoidaan kuvannettavan kohteen optisia parametreja perustuen valolla aiheutettuun fotoakustiseen ilmiöön.Optisten parametrien estimoiminen QPAT:illa on suuridimensioinen ja huonosti asetettu käänteisongelma, jonka numeerinen ratkaiseminen edellyttää valon etenemisen mallintamista.Tässä työssä tutkitaan absorption ja sironnan estimoimista tilanteessa, jossa valon mallintamista kuvaava malli on säteilynkuljetusyhtälö.Valon etenemisen mallintamisessa käytettiin Monte Carlo -menetelmää (MC), jolla simuloidaan säteilynkuljetusyhtälön ratkaisu.Fotonipaketteihin perustuvassa MC-menetelmässä kohteeseen alustetaan kulkeutumaan fotonipaketteja, joiden vuorovaikutusta kohteessa simuloidaan satunnaismuuttujien avulla.Käytettyjen fotonipakettien määrää kasvattamalla MC-menetelmällä saatava ratkaisu lähenee säteilynkuljetusyhtälöstä saatavaa ratkaisua, mikä samalla kasvattaa myös ongelman laskennallista raskautta.Tutkielman tavoitteena oli keventää MC-menetelmässä vaadittua laskentakuormaa ohjattua oppimista hyödyntävillä neuroverkoilla.Monikerroksinen perseptroniverkko sekä konvoluutiopohjainen U-Net-verkko koulutettiin synteettisten esimerkkiaineistojen pohjalta korjaamaan pienestä fotonipakettien määrästä johtuvaa virhettä MC-simulaatioiden tuloksena saadusta fotonivuontiheydestä. Näitä verkkoja hyödynnettiin fotonivuontiheyksien korjaamisen lisäksi QPAT:issa ratkaistavassa käänteisongelmassa absorboituneen optisen energiatiheyden sekä sen Jacobin matriisin korjaamisessa.Tuloksista havaittiin, että neuroverkoilla pystytään korjaamaan pienellä fotonipakettien määrällä simuloitujen fotonivuontiheyksien virhettä.Näiden neuroverkkojen hyödyntämistä tutkittiin QPAT:in käänteisongelman laskennassa, jossa synteettisesti luotuja optisia parametreja estimoitiin Bayesilaisessa lähestymistavassa.Tuloksista havaittiin, että estimaattien tarkkuuden parantumiseen vaikutti sekä MC-simulaatioissa käytettyjen fotonipakettien määrä että kohteen optiset parametrit.Pienillä fotonipakettien määrillä neuroverkot pystyivät parantamaan absorptiokertoimien estimaatteja merkittävästi enemmän sirontakertoimien estimaatteihin verrattuna.Suuremmilla fotonipaket-
Language: Finnish
Open Access status: green
OpenAlex ID: W7215349514
Cites: 46
Cited by:
Related to: 10