南昌大学在高分辨率光声显微成像方面获得突破

图1.(a)自主研发的PAM系统。(b)利用均值扩散模型对稀疏采样数据进行重建，获得高质量图像

研究背景

光声显微术成像(Photoacoustic Microscopy，PAM)是一种非侵入性的混合生物医学成像技术，结合了光学和声学技术的优势，能够在亚微米尺度上提供高分辨率的生物组织信息，在组织细胞成像、癌症检测，心血管疾病检测等领域取得了广泛应用，并且逐渐成为临床前和临床的重要工具。尽管PAM有着显著的临床转化潜力和广泛的应用前景，然而，在实际应用中，传统光声显微镜(PAM)的扫描速度相对较慢，这一问题源于激光脉冲的脉冲重复频率(PRR)限制。尤其是在高分辨率成像需求下，系统需要以更小的步长进行逐点扫描，导致成像时间进一步延长。此外，随着扫描点数的增加，总数据量与采集时间会急剧上升，进而给数据采集卡带来巨大负担。这些问题限制了光声显微镜在实时成像和高通量检测中的应用，在需要快速获取大量图像的临床与科研场景中，这一局限性尤为突出。增大采样步长能显著提升光声显微成像的成像速度，这一过程被称为稀疏采样。但该方法存在缺陷，可能会损害成像质量。因此，如何对稀疏采样图像进行高质量重建，成为当前面临的关键挑战。最新研究表明，深度学习在解决光声显微镜(PAM)稀疏采样重建难题方面具有巨大潜力。但其训练过程依赖带标签数据集，且在模型泛化性与跨模态适应性方面存在显著局限。此外，传统深度学习框架难以融入光声成像固有的物理先验知识(如声波传播模型、热扩散方程)，这一局限制约了此类框架在复杂临床场景中的精准应用与发展。因此，如何通过算法突破硬件限制，实现稀疏采样下的快速、高质量的重建，是一个亟需解决的问题。

导读

近日，南昌大学信息工程学院的成像与视觉表示实验室研究团队构建了一套智能光声显微成像系统。该系统借助光声显微扫描技术对样本实施稀疏采样，从硬件采集层面显著提升成像速度;同时引入生成式人工智能算法，攻克超稀疏采样场景下的图像退化难题，实现高分辨率重建。最终达成成像时间缩短与成像质量提升的双重目标。研究团队进一步将生成式人工智能算法与光声断层成像系统深度融合，辅以软件界面的交互式控制功能，构建形成 “智能信号采集 — 数据处理 — 高质量图像生成” 的全流程技术链路。其中，发表于光学领域顶级期刊Optics & Laser Technology的论文“Super-sparse-sampling high-resolution photoacoustic microscopy boosted by generative diffusion priors”，作为该智能光声显微成像系统的关键组成部分，不仅验证了系统在算法层面的可行性，还打通了系统中最关键的算法环节。南昌大学本科生陈彦翰、研究生曹玉彬为共同第一作者，宋贤林副教授为通讯作者，刘且根教授对该研究给予了重要支持。

主要研究内容

为了获取实验样品的光声信号。南昌大学研究团队构建了一套智能光声显微采集系统，图1(a)展示的是该系统的数据采集部分，此采集系统由步进控制模块、激光触发模块和数据采集模块组成。整套系统通过Labview软件实现对步进控制模块与数据采集模块的整体控制。在数据采集过程中，样品被置于自制的光声耦合棱镜正下方，此时样本处于系统光焦点与声焦点重合的区域。数据采集卡接收到触发脉冲后，二维平移台(x-y)便会以固定步长向x轴方向移动，同时数据采集卡采集对应位置的光声信号并将其存储至计算机中，直至采集完设定区域的稀疏光声信号。在获得稀疏采样下的PAM数据后，通过基于python编写的Tkinter GUI界面(如图1b)进行交互，调用生成式人工智能算法开展光声数据重建，实现极稀疏采样数据的重建生成，有效去除图像伪影并获取高质量成像结果。该算法作为智能光声成像系统的核心组成部分，针对光声显微成像在稀疏步长采样场景下，传统深度学习方法面临的训练过程受限、难以融入光声成像固有的物理先验知识等关键难题，研究团队为实现模型的快速迭代与高效生成，提出一种基于均值回复扩散模型(IR-SDE)的超稀疏采样 PAM 数据重建方法，可直接完成光声显微数据的重建任务。该方法通过模拟随机微分方程(SDE)的正向与反向过程 —— 即从高质量全采样图像到低质量稀疏采样退化图像的正向演变，以及从稀疏采样数据到全采样数据的反向恢复，实现了无需依赖任何特定任务先验知识的光声数据重建。如图 2(b)所示，该方法的核心设计在于：其采用的得分网络以非线性激活自由网络(Nonlinear Activation-Free Network, NAFNet)为基础架构，并引入多层感知机(Multi-Layer Perceptron, MLP)。此架构设计不仅显著降低计算量、提升计算效率，还进一步增强了模型对时间动态过程的适应性;同时，该设计使模型在图像恢复任务中能够输出更精准的结果，在不同成像条件下的图像重建中均保持高性能与强灵活性。上述改进最终确保网络在稀疏重建任务中兼顾高质量成像效果与高效率运行表现。

图2.PAM稀疏弦图重建流程图与网络架构

此外，图 2 呈现了 PAM 稀疏重建的具体流程，该流程分为训练与重建两个核心阶段：在训练阶段(图 2(a)上半部分)，全采样 PAM 图像与稀疏采样 PAM 图像被作为输入数据传入网络;鉴于 IR-SDE(改进型随机微分方程)在正向与逆向扩散过程中存在封闭形式解，可基于此解计算时间相关的真实分数函数，进而通过神经网络训练实现对该分数函数的估计;同时，网络通过学习目标数据集的先验分布，具备预测任意时刻分数以近似真实分数函数的能力。在重建阶段(图 2(a)下半部分)，输入待恢复的初始稀疏采样数据后，利用已训练完成的网络模型预测当前时刻的噪声，从而得到噪声分数;随后通过求解逆向 IR-SDE，从含噪的低质量稀疏采样 PAM 图像出发，

经逐步采样迭代，最终恢复得到全采样高质量 PAM 图像。

图3:仿真血管数据实验稀疏重建结果

研究团队采用仿真血管数据、以及实际PAM系统获取的数据，对所提方法的性能展开了全面深入的评估。图3展示了仿真血管在不同方法，不同稀疏采样步长条件下的最大投影图重建结果，对比了RL Deconv、Cycle-GAN、U-Net与所提的IR-SDE方法的重建效果。结果显示：即使在极稀疏的16倍稀疏步长下(有效像素占比约 0.4%)，所提方法的PSNR达到24.22dB，SSIM达到0.742;较U-Net，PSNR提升11.51dB，SSIM提升0.597;较Cycle-GAN，PSNR提升9.9dB，SSIM提升0.461;较RL Deconv，PSNR提升13.63dB，SSIM提升0.521。从图 3 (e) 和 3 (f) 的局部放大图可见，RL Deconv 法、CycleGAN 法和 U-Net 法在不同稀疏采样步长下重建的血管图像，细节表现均相对较差，与真值图像(GT)存在明显差异。在相同条件下，所提出的改进型随机微分方程(IR-SDE)方法展现出显著优势：即便在 16 倍稀疏采样步长下，该方法仍能成功重建出更清晰、平滑的血管结构，且在绿色箭头标注区域内有效恢复了血管细节与分支，从而克服了其他方法存在的重建缺陷。研究团队通过基于均值回归扩散模型的迭代策略，实现了极稀疏采样步长条件下的高质量重建，为获取更高质量的PAM图像提供了支持。

图4. 实际系统数据的实验结果

为了进一步证明所提方法在实际应用中的泛化性和有效性，研究团队针对实际系统采集的数据开展了稀疏重建实验。通过自主研发的PAM系统采集实验样品的光声信号后，对所得光声数据的最大投影图进行稀疏重建。图4为实际样品数据的稀疏重建结果。从图 4 (d) 和 4 (e) 中 “矩形 1” 与 “矩形 2” 的局部放大图可见，当重建 “未包含在训练数据集中的真实场景稀疏采样 PAM 图像” 时，RL Deconv 法、CycleGAN 法和 U-Net 法的细节恢复效果较差，无法精准重建目标结构。与之相反，所提 IR-SDE 法在图像细节与结构恢复方面展现出显著优势：该方法不仅能增强图像细节，还能有效解决 “采样步长增大导致成像质量下降” 的问题。尤其在 8 倍稀疏采样步长下，IR-SDE 法可对 “未参与训练的真实场景稀疏采样 PAM 图像” 实现有效重建，生成的图像平滑度与清晰度更高;绿色箭头标注区域内的结构恢复更精准，克服了其他方法在这些区域存在的细节缺失与结构失真问题。这表明 IR-SDE 法在图像重建任务中，尤其在复杂的高稀疏采样步长场景中，具备显著优势，可有效提升重建图像质量。

结论与展望

综上所述，针对传统光声显微成像(PAM)稀疏采样图像重建方法中普遍存在的 “重建质量差” 核心问题，南昌大学团队构建了一套智能光声显微成像系统。该团队从光声显微采集系统的硬件搭建入手，进一步结合生成式人工智能算法实现极稀疏采样条件下的高质量图像重建，最终形成了 “光声信号采集 — 生成式算法高质量重建” 的技术流程。该流程从算法层面突破了硬件性能的固有限制，成功实现了实际稀疏采样场景下 PAM 图像的快速、高质量重建。该研究的突破性体现在以下三方面：1.关键发现：在超稀疏采样条件下(如 16 倍采样步长)，团队所提方法相较于传统基准方法(如 RL 反卷积、CycleGAN、U-Net 等)的性能优势呈现显著放大效应，其在峰值信噪比(PSNR)、结构相似性指数(SSIM)等核心指标上的提升幅度，远高于低稀疏度采样场景，验证了该方法在极端采样条件下的优越性。2.临床价值：实验证明，该方法不仅在仿真实验中表现出优异的稀疏重建效果，在实际的PAM成像场景中也展现出卓越性能。既能为临床诊断提供更高质量的 PAM 图像，实现组织结构与功能的高精度成像;又能在实际应用中减轻数据采集卡的运算负担、缩短信号采集时间、降低硬件部署成本，有效突破了 PAM 技术临床转化的关键瓶颈，进一步拓展了其实际应用范围。3.技术普惠：为资源受限场景(如基层医院、移动检测设备)提供了高质量 PAM 成像的可行方案，有效降低了 PAM 技术的应用门槛，同时，其在快速成像与高质量重建上的优势，也推动了PAM技术向更广泛领域的普及。

审核编辑 黄宇