Preview

PDF, English - main document Download (20MB) | Terms of use

Abstract

This thesis shows that data-driven approaches have the potential to solve many of the challenges of achieving quantitative photoacoustic imaging. To this end, rigorous in silico evaluation of machine learning algorithms for the inverse problems associated with photoacoustic imaging is conducted, a data-driven approach for blood oxygenation estimation from multispectral photoacoustic measurements is applied in vitro and in vivo, and methods for uncertainty estimation for the developed algorithms are analyzed.

Photoacoustic imaging is an emerging imaging modality in healthcare. It promises noninvasive and radiation-free imaging of optical tissue properties. In contrast to commonly used optical imaging techniques, it can visualize optical tissue properties up to several centimeters deep in tissue. Photoacoustic imaging is based on the photoacoustic effect, which enables spatially resolved imaging of optically absorbing chromophores. When pulsed laser light is sent into tissue and is absorbed by chromophores, sound waves emerge at the location of the absorption event. These can be measured with ultrasound transducers and are reconstructed into a spatial image of absorbed energy. When using multiple measurements of the absorbed energy at different wavelengths of light, knowledge on clinically relevant functional tissue parameters, such as blood oxygenation, can be derived.

However, one of the critical challenges in photoacoustic imaging remains unsolved. This challenge is accurate and reliable quantification of the underlying optical tissue properties. Especially the estimation of the optical absorption coefficient of the tissue is essential for the derivation of functional tissue parameters. However, the absorbed energy is not only proportional to the optical absorption coefficients, but instead, it is also proportional to the light fluence. The fluence describes the distribution of light in tissue, which is predominantly determined by the optical absorption and scattering properties. Due to this, there is a non-linear interaction of optical absorption and fluence with respect to the absorbed energy and quantification of the signal is an ill-posed inverse problem, to which no general and easy-to-compute solution yet exists.

In the field, iterative model-based approaches have been proposed and thoroughly investigated. In numerous in silico investigations, these techniques have shown great theoretical potential. However, they have not successfully been applied to real images acquired in clinically relevant freehand imaging settings.

In this thesis, the feasibility of developing and applying data-driven methods to fill this gap is investigated. Data-driven methods refer to machine learning algorithms that learn an optimal inference model for a particular application based on training data that are relevant to the problem. For optical imaging applications generally, no ground truth information on the underlying tissue properties is available, and in this thesis, it is attempted to train the data-driven algorithms on computer-simulated data with the hope to gain the ability to infer tissue properties also in real scenarios.

The capability of data-driven methods to estimate the light fluence or the optical absorption coefficients was examined in two rigorous in silico studies. Each of these was conducted on several different data sets of different difficulty levels. To this end, an algorithm was developed that can encode the entire three-dimensional signal context in a voxel-specific low-dimensional feature vector. Furthermore, state-of-the-art deep learning algorithms were used to estimate the optical absorption distribution directly on two-dimensional photoacoustic images. The results of these experiments show the general feasibility of data-driven approaches in the photoacoustic imaging context and also reveal the current limitations of these methods.

Another data-driven approach was developed that was trained on simulated data and enabled the estimation of functional tissue properties in both in vitro and in vivo settings. Here, the capability of the method to predict plausible results for blood oxygenation in various contexts was demonstrated. The method continuously outperformed linear unmixing techniques in terms of the estimated dynamic range and agreement of the estimates with the expected values.

Finally, four different techniques for uncertainty estimation were examined towards their applicability to photoacoustic imaging. The conducted experiments revealed that the integration of uncertainty estimates during the calculation of results on a bigger region of interest could potentially be of great benefit.

For sure, more work is required to achieve a successful and robust application of data-driven quantification of photoacoustic signals. This work, however, revealed the potential of data-driven methods in this context and outlined several possible ways of applying them to the associated inverse problems. It can be assumed that the combination of model-based and data-driven approaches will form the foundation for a successful clinical translation of quantitative photoacoustic imaging into clinical practice.

Translation of abstract (German)

Diese Dissertation zeigt, dass datengetriebenen Methoden das Potential haben, viele der Herausforderungen der quantitativen Photoakustik angehen zu können. Um dies zu untersuchen, werden rigorose in silico Evaluationen zur Applikation von maschinellen Lernverfahren auf die inversen Probleme vorgestellt, die mit der quantitativen Photoakustik verbunden sind. Außerdem wird ein datengetriebenes Modell benutzt, um die Blutsauerstoffsättigung aus multispektralen Photoakustikmessungen schätzen zu können. Es werden zusätzlich Methoden zur Unsicherheitsschätzung der entwickelten Algorithmen analysiert.

Die photoakustische Bildgebung ist eine aufstrebende Bildgebungsmodalität im Gesundheitswesen. Im Gegensatz zu herkömmlichen optischen Bildgebungsverfahren, können optische Gewebeeigenschaften bis zu mehrere Zentimeter tief im Gewebe sichtbar gemacht werden. Die Photoakustik basiert auf dem photoakustischen Effekt, der die ortsaufgelöste Abbildung von optisch absorbierenden Molekülen ermöglicht. Wenn gepulstes Laserlicht in das Gewebe gesendet und absorbiert wird, treten am Ort des Absorptionsereignisses Schallwellen auf. Diese können mit herkömmlichen Ultraschallgeräten gemessen und in ein räumliches Bild der absorbierten Energie rekonstruiert werden. Bei Verwendung mehrerer Messungen der absorbierten Energie bei verschiedenen Wellenlängen des Lichtes, kann Wissen über funktionale Gewebeparameter wie der Sauerstoffversorgung des Blutes abgeleitet werden.

Eine der entscheidenden Herausforderungen bei der photoakustischen Bildgebung bleibt jedoch ungelöst: die zuverlässigen Quantifizierung der zugrundeliegenden optischen Gewebeeigenschaften. Insbesondere die Abschätzung des optischen Absorptionskoeffizienten des Gewebes ist für die Ableitung von funktionalen Gewebeparametern essentiell. Die absorbierte Energie ist allerdings nicht nur proportional zu den optischen Absorptionskoeffizienten, sondern auch proportional zu der Fluenz. Die Fluenz beschreibt die Lichtverteilung im Gewebe, die vorwiegend durch die optischen Absorptions- und Streuungseigenschaften bestimmt wird. Aufgrund dessen gibt es eine nichtlineare Wechselwirkung von optischer Absorption und Fluenz in Bezug auf die absorbierte Energie. Folglich ist die Quantifizierung des Signals ein schlecht gestelltes inverses Problem, für das es noch keine allgemeine und leicht zu berechnende Lösung gibt.

Im Forschungsfeld wurden iterative modellbasierte Ansätze vorgeschlagen und eingehend untersucht. In zahlreichen Analysen haben diese Techniken ein großes theoretisches Potenzial gezeigt. Sie wurden jedoch nicht erfolgreich auf reale Bilder angewendet, die mit Hilfe von herkömmlichen Ultraschallgeräten aufgenommen wurden.

In dieser Arbeit wird untersucht, ob es generell machbar ist, datengetriebene Methoden zu entwickeln und anzuwenden, um diese Lücke zu schließen. Datengetriebene Methoden beziehen sich hierbei auf maschinelle Lernalgorithmen, die ein optimales Inferenzmodell für eine bestimmte Anwendung auf Grundlage der für das Problem relevanten Trainingsdaten erlernen. Für die optische Bildgebung sind im Allgemeinen keine “Ground Truth”-Informationen zu den zugrundeliegenden Gewebeeigenschaften verfügbar. Deshalb wird in dieser Arbeit versucht, die datengetriebenen Algorithmen auf computer-simulierten Daten zu trainieren, in der Hoffnung, auch in realen Szenarien auf die Gewebeeigenschaften schließen zu können.

Die Fähigkeit datengetriebener Methoden, die Fluenz und die optischen Absorptionskoeffizienten zu berechnen, wurde in zwei in silico-Studien untersucht. Jede dieser Analysen wurde mit mehreren Datensätzen mit unterschiedlichen Schwierigkeitsgraden durchgeführt. Zu diesem Zweck wurde ein Algorithmus entwickelt, der den gesamten dreidimensionalen Signalkontext in einem voxelspezifischen und niedrigdimensionalen Featurevektor codieren kann. Darüber hinaus wurden moderne Deep Learning-Algorithmen verwendet, um die optische Absorptionsverteilung direkt auf zweidimensionalen photoakustischen Bildern zu berechnen. Die Ergebnisse dieser Experimente zeigen die generelle Machbarkeit datengetriebener Ansätze im Kontext der photoakustischen Bildgebung und offenbaren aber auch die aktuellen Einschränkungen dieser Methoden.

Ein weiterer datengetriebener Ansatz wurde entwickelt, der auf simulierten Daten trainiert wurde und die Abschätzung der funktionalen Gewebeeigenschaften sowohl in in vitro als auch in in vivo ermöglicht. Hier wurde die Fähigkeit der Methode demonstriert, plausible Ergebnisse für die Blutsauerstoffsättigung in verschiedenen Kontexten vorherzusagen. Das Verfahren übertraf kontinuierlich die linearen Entmischungstechniken hinsichtlich des schätzbaren Wertebereichs und der Übereinstimmung der Berechnungen mit den erwarteten Werten.

Schließlich wurden vier verschiedene Techniken zur Schätzung der Unsicherheit auf ihre Anwendbarkeit für die photoakustische Bildgebung untersucht. Die durchgeführten Experimente haben gezeigt, dass die Integration von Unsicherheitsschätzungen während der Berechnung von Ergebnissen über eine größeren Messbereich möglicherweise von großem Nutzen sein kann.

Sicherlich sind weitere Arbeiten erforderlich, um eine erfolgreiche und robuste Anwendung der datengesteuerten Quantifizierung von photoakustischen Signalen zu erreichen. Diese Arbeit zeigte jedoch das Potenzial datengetriebener Methoden in diesem Zusammenhang auf. Sie skizzierte verschiedene Möglichkeiten, sie auf die inversen Probleme anzuwenden, die mit der Signalquantifizierung verbunden sind. Es ist davon auszugehen, dass die Kombination von modellbasierten und datengetriebenen Ansätzen die Grundlage für eine erfolgreiche klinische Umsetzung der quantitativen photoakustischen Bildgebung in die klinische Praxis bilden wird.