Biomedical photoacoustic tomography, which can provide high-resolution 3D soft tissue images based on optical absorption, has advanced to the stage at which translation from the laboratory to clinical settings is becoming possible. The need for rapid image formation and the practical restrictions on data acquisition that arise from the constraints of a clinical workflow are presenting new image reconstruction challenges. There are many classical approaches to image reconstruction, but ameliorating the effects of incomplete or imperfect data through the incorporation of accurate priors is challenging and leads to slow algorithms. Recently, the application of deep learning (DL), or deep neural networks, to this problem has received a great deal of attention. We review the literature on learned image reconstruction, summarizing the current trends and explain how these approaches fit within, and to some extent have arisen from, a framework that encompasses classical reconstruction methods. In particular, it shows how these techniques can be understood from a Bayesian perspective, providing useful insights. We also provide a concise tutorial demonstration of three prototypical approaches to learned image reconstruction. The code and data sets for these demonstrations are available to researchers. It is anticipated that it is in in vivo applications—where data may be sparse, fast imaging critical, and priors difficult to construct by hand—that DL will have the most impact. With this in mind, we conclude with some indications of possible future research directions.

中文翻译：

---

光声层析成像中的深度学习：当前方法和未来方向

可以基于光吸收提供高分辨率3D软组织图像的生物医学光声层析成像技术已经进入了从实验室到临床环境转换的阶段。由于临床工作流程的限制，对快速成像的需求以及对数据采集的实际限制提出了新的图像重建挑战。有许多经典的图像重建方法，但是通过合并准确的先验来改善不完整或不完美数据的影响是具有挑战性的，并且会导致算法缓慢。最近，深度学习（DL）或深度神经网络在此问题上的应用受到了广泛关注。我们回顾了有关学习图像重建的文献，总结当前的趋势，并解释这些方法在包含经典重建方法的框架中的适用范围，以及在某种程度上是如何产生的。特别是，它显示了如何从贝叶斯角度理解这些技术，并提供了有用的见解。我们还提供了简要的教程演示，介绍了三种用于学习图像重建的原型方法。研究人员可以使用这些演示的代码和数据集。可以预料，在体内应用中DL将产生最大的影响，因为在这些应用中数据可能是稀疏的，快速成像至关重要且难以手动构造。考虑到这一点，我们得出一些可能的未来研究方向的迹象。包含经典重建方法的框架。特别是，它显示了如何从贝叶斯角度理解这些技术，并提供了有用的见解。我们还提供了简要的教程演示，介绍了三种用于学习图像重建的原型方法。研究人员可以使用这些演示的代码和数据集。可以预料，DL将在体内应用程序中发挥最大的作用，因为在这些应用程序中，数据可能稀疏，快速成像至关重要并且难以手动构造先验数据。考虑到这一点，我们得出一些可能的未来研究方向的迹象。包含经典重建方法的框架。特别是，它显示了如何从贝叶斯角度理解这些技术，并提供了有用的见解。我们还提供了简要的教程演示，介绍了三种用于学习图像重建的原型方法。研究人员可以使用这些演示的代码和数据集。可以预料，在体内应用中DL将产生最大的影响，因为在这些应用中数据可能是稀疏的，快速成像至关重要且难以手动构造。考虑到这一点，我们得出一些可能的未来研究方向的迹象。我们还提供了简要的教程演示，介绍了三种用于学习图像重建的原型方法。研究人员可以使用这些演示的代码和数据集。可以预料，在体内应用中DL会产生最大的影响，因为在这些应用中数据可能是稀疏的，快速成像至关重要并且很难手动构造。考虑到这一点，我们得出一些可能的未来研究方向的迹象。我们还提供了简要的教程演示，介绍了三种用于学习图像重建的原型方法。研究人员可以使用这些演示的代码和数据集。可以预料，在体内应用中DL会产生最大的影响，因为在这些应用中数据可能是稀疏的，快速成像至关重要并且很难手动构造。考虑到这一点，我们得出一些可能的未来研究方向的迹象。