공간 샘플링 밀도와 데이터 크기는 광음향 현미경(photoacoustic microscopy, PAM)의 영상화 속도를 결정하는 중요한 요인이다. 따라서 일반적으로 스캔 스텝 크기를 증가시켜 PAM의 영상화 속도를 향상시키기 위해, 스캔 지점의 수를 줄이는 언더샘플링(undersampling) 방법이 채택된다. 언더샘플링 방법은 공간 샘플링 밀도를 희생하지만, 본 연구에서는 데이터 포인트의 수, 데이터 크기, 그리고 3차원(3D) 체적 데이터를 제공하는 PAM의 특성을 고려하여, 언더샘플링된 3D PAM 데이터를 완전히 재구성하는 딥러닝 기반 방법을 새롭게 보고한다. 정량 분석 결과는 제안된 방법이 견고성을 보이며, 다양한 언더샘플링 비율에서 보간(interpolation) 기반 재구성 방법을 능가함을 보여주었고, PAM 시스템 성능을 80배 더 빠른 영상화 속도와 800배 더 낮은 데이터 크기로 향상시켰다. 제안된 방법은 실험 조건에서 사용할 수 있는 가장 근접한 모델로 입증되었으며, 처리에 필요한 데이터 크기를 크게 줄이면서 영상화 시간을 효과적으로 단축한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.