圖1.(a)自主研發(fā)的PAM系統(tǒng)。(b)利用均值擴散模型對稀疏采樣數(shù)據(jù)進行重建，獲得高質量圖像

研究背景

光聲顯微術成像(Photoacoustic Microscopy，PAM)是一種非侵入性的混合生物醫(yī)學成像技術，結合了光學和聲學技術的優(yōu)勢，能夠在亞微米尺度上提供高分辨率的生物組織信息，在組織細胞成像、癌癥檢測，心血管疾病檢測等領域取得了廣泛應用，并且逐漸成為臨床前和臨床的重要工具。盡管PAM有著顯著的臨床轉化潛力和廣泛的應用前景，然而，在實際應用中，傳統(tǒng)光聲顯微鏡(PAM)的掃描速度相對較慢，這一問題源于激光脈沖的脈沖重復頻率(PRR)限制。尤其是在高分辨率成像需求下，系統(tǒng)需要以更小的步長進行逐點掃描，導致成像時間進一步延長。此外，隨著掃描點數(shù)的增加，總數(shù)據(jù)量與采集時間會急劇上升，進而給數(shù)據(jù)采集卡帶來巨大負擔。這些問題限制了光聲顯微鏡在實時成像和高通量檢測中的應用，在需要快速獲取大量圖像的臨床與科研場景中，這一局限性尤為突出。增大采樣步長能顯著提升光聲顯微成像的成像速度，這一過程被稱為稀疏采樣。但該方法存在缺陷，可能會損害成像質量。因此，如何對稀疏采樣圖像進行高質量重建，成為當前面臨的關鍵挑戰(zhàn)。最新研究表明，深度學習在解決光聲顯微鏡(PAM)稀疏采樣重建難題方面具有巨大潛力。但其訓練過程依賴帶標簽數(shù)據(jù)集，且在模型泛化性與跨模態(tài)適應性方面存在顯著局限。此外，傳統(tǒng)深度學習框架難以融入光聲成像固有的物理先驗知識(如聲波傳播模型、熱擴散方程)，這一局限制約了此類框架在復雜臨床場景中的精準應用與發(fā)展。因此，如何通過算法突破硬件限制，實現(xiàn)稀疏采樣下的快速、高質量的重建，是一個亟需解決的問題。

導讀

近日，南昌大學信息工程學院的成像與視覺表示實驗室研究團隊構建了一套智能光聲顯微成像系統(tǒng)。該系統(tǒng)借助光聲顯微掃描技術對樣本實施稀疏采樣，從硬件采集層面顯著提升成像速度;同時引入生成式人工智能算法，攻克超稀疏采樣場景下的圖像退化難題，實現(xiàn)高分辨率重建。最終達成成像時間縮短與成像質量提升的雙重目標。研究團隊進一步將生成式人工智能算法與光聲斷層成像系統(tǒng)深度融合，輔以軟件界面的交互式控制功能，構建形成 “智能信號采集 — 數(shù)據(jù)處理 — 高質量圖像生成” 的全流程技術鏈路。其中，發(fā)表于光學領域頂級期刊Optics & Laser Technology的論文“Super-sparse-sampling high-resolution photoacoustic microscopy boosted by generative diffusion priors”，作為該智能光聲顯微成像系統(tǒng)的關鍵組成部分，不僅驗證了系統(tǒng)在算法層面的可行性，還打通了系統(tǒng)中最關鍵的算法環(huán)節(jié)。南昌大學本科生陳彥翰、研究生曹玉彬為共同第一作者，宋賢林副教授為通訊作者，劉且根教授對該研究給予了重要支持。

主要研究內(nèi)容

為了獲取實驗樣品的光聲信號。南昌大學研究團隊構建了一套智能光聲顯微采集系統(tǒng)，圖1(a)展示的是該系統(tǒng)的數(shù)據(jù)采集部分，此采集系統(tǒng)由步進控制模塊、激光觸發(fā)模塊和數(shù)據(jù)采集模塊組成。整套系統(tǒng)通過Labview軟件實現(xiàn)對步進控制模塊與數(shù)據(jù)采集模塊的整體控制。在數(shù)據(jù)采集過程中，樣品被置于自制的光聲耦合棱鏡正下方，此時樣本處于系統(tǒng)光焦點與聲焦點重合的區(qū)域。數(shù)據(jù)采集卡接收到觸發(fā)脈沖后，二維平移臺(x-y)便會以固定步長向x軸方向移動，同時數(shù)據(jù)采集卡采集對應位置的光聲信號并將其存儲至計算機中，直至采集完設定區(qū)域的稀疏光聲信號。在獲得稀疏采樣下的PAM數(shù)據(jù)后，通過基于python編寫的Tkinter GUI界面(如圖1b)進行交互，調用生成式人工智能算法開展光聲數(shù)據(jù)重建，實現(xiàn)極稀疏采樣數(shù)據(jù)的重建生成，有效去除圖像偽影并獲取高質量成像結果。該算法作為智能光聲成像系統(tǒng)的核心組成部分，針對光聲顯微成像在稀疏步長采樣場景下，傳統(tǒng)深度學習方法面臨的訓練過程受限、難以融入光聲成像固有的物理先驗知識等關鍵難題，研究團隊為實現(xiàn)模型的快速迭代與高效生成，提出一種基于均值回復擴散模型(IR-SDE)的超稀疏采樣 PAM 數(shù)據(jù)重建方法，可直接完成光聲顯微數(shù)據(jù)的重建任務。該方法通過模擬隨機微分方程(SDE)的正向與反向過程 —— 即從高質量全采樣圖像到低質量稀疏采樣退化圖像的正向演變，以及從稀疏采樣數(shù)據(jù)到全采樣數(shù)據(jù)的反向恢復，實現(xiàn)了無需依賴任何特定任務先驗知識的光聲數(shù)據(jù)重建。如圖 2(b)所示，該方法的核心設計在于：其采用的得分網(wǎng)絡以非線性激活自由網(wǎng)絡(Nonlinear Activation-Free Network, NAFNet)為基礎架構，并引入多層感知機(Multi-Layer Perceptron, MLP)。此架構設計不僅顯著降低計算量、提升計算效率，還進一步增強了模型對時間動態(tài)過程的適應性;同時，該設計使模型在圖像恢復任務中能夠輸出更精準的結果，在不同成像條件下的圖像重建中均保持高性能與強靈活性。上述改進最終確保網(wǎng)絡在稀疏重建任務中兼顧高質量成像效果與高效率運行表現(xiàn)。

圖2.PAM稀疏弦圖重建流程圖與網(wǎng)絡架構

此外，圖 2 呈現(xiàn)了 PAM 稀疏重建的具體流程，該流程分為訓練與重建兩個核心階段：在訓練階段(圖 2(a)上半部分)，全采樣 PAM 圖像與稀疏采樣 PAM 圖像被作為輸入數(shù)據(jù)傳入網(wǎng)絡;鑒于 IR-SDE(改進型隨機微分方程)在正向與逆向擴散過程中存在封閉形式解，可基于此解計算時間相關的真實分數(shù)函數(shù)，進而通過神經(jīng)網(wǎng)絡訓練實現(xiàn)對該分數(shù)函數(shù)的估計;同時，網(wǎng)絡通過學習目標數(shù)據(jù)集的先驗分布，具備預測任意時刻分數(shù)以近似真實分數(shù)函數(shù)的能力。在重建階段(圖 2(a)下半部分)，輸入待恢復的初始稀疏采樣數(shù)據(jù)后，利用已訓練完成的網(wǎng)絡模型預測當前時刻的噪聲，從而得到噪聲分數(shù);隨后通過求解逆向 IR-SDE，從含噪的低質量稀疏采樣 PAM 圖像出發(fā)，

經(jīng)逐步采樣迭代，最終恢復得到全采樣高質量 PAM 圖像。

圖3:仿真血管數(shù)據(jù)實驗稀疏重建結果

研究團隊采用仿真血管數(shù)據(jù)、以及實際PAM系統(tǒng)獲取的數(shù)據(jù)，對所提方法的性能展開了全面深入的評估。圖3展示了仿真血管在不同方法，不同稀疏采樣步長條件下的最大投影圖重建結果，對比了RL Deconv、Cycle-GAN、U-Net與所提的IR-SDE方法的重建效果。結果顯示：即使在極稀疏的16倍稀疏步長下(有效像素占比約 0.4%)，所提方法的PSNR達到24.22dB，SSIM達到0.742;較U-Net，PSNR提升11.51dB，SSIM提升0.597;較Cycle-GAN，PSNR提升9.9dB，SSIM提升0.461;較RL Deconv，PSNR提升13.63dB，SSIM提升0.521。從圖 3 (e) 和 3 (f) 的局部放大圖可見，RL Deconv 法、CycleGAN 法和 U-Net 法在不同稀疏采樣步長下重建的血管圖像，細節(jié)表現(xiàn)均相對較差，與真值圖像(GT)存在明顯差異。在相同條件下，所提出的改進型隨機微分方程(IR-SDE)方法展現(xiàn)出顯著優(yōu)勢：即便在 16 倍稀疏采樣步長下，該方法仍能成功重建出更清晰、平滑的血管結構，且在綠色箭頭標注區(qū)域內(nèi)有效恢復了血管細節(jié)與分支，從而克服了其他方法存在的重建缺陷。研究團隊通過基于均值回歸擴散模型的迭代策略，實現(xiàn)了極稀疏采樣步長條件下的高質量重建，為獲取更高質量的PAM圖像提供了支持。

圖4. 實際系統(tǒng)數(shù)據(jù)的實驗結果

為了進一步證明所提方法在實際應用中的泛化性和有效性，研究團隊針對實際系統(tǒng)采集的數(shù)據(jù)開展了稀疏重建實驗。通過自主研發(fā)的PAM系統(tǒng)采集實驗樣品的光聲信號后，對所得光聲數(shù)據(jù)的最大投影圖進行稀疏重建。圖4為實際樣品數(shù)據(jù)的稀疏重建結果。從圖 4 (d) 和 4 (e) 中 “矩形 1” 與 “矩形 2” 的局部放大圖可見，當重建 “未包含在訓練數(shù)據(jù)集中的真實場景稀疏采樣 PAM 圖像” 時，RL Deconv 法、CycleGAN 法和 U-Net 法的細節(jié)恢復效果較差，無法精準重建目標結構。與之相反，所提 IR-SDE 法在圖像細節(jié)與結構恢復方面展現(xiàn)出顯著優(yōu)勢：該方法不僅能增強圖像細節(jié)，還能有效解決 “采樣步長增大導致成像質量下降” 的問題。尤其在 8 倍稀疏采樣步長下，IR-SDE 法可對 “未參與訓練的真實場景稀疏采樣 PAM 圖像” 實現(xiàn)有效重建，生成的圖像平滑度與清晰度更高;綠色箭頭標注區(qū)域內(nèi)的結構恢復更精準，克服了其他方法在這些區(qū)域存在的細節(jié)缺失與結構失真問題。這表明 IR-SDE 法在圖像重建任務中，尤其在復雜的高稀疏采樣步長場景中，具備顯著優(yōu)勢，可有效提升重建圖像質量。

結論與展望

綜上所述，針對傳統(tǒng)光聲顯微成像(PAM)稀疏采樣圖像重建方法中普遍存在的 “重建質量差” 核心問題，南昌大學團隊構建了一套智能光聲顯微成像系統(tǒng)。該團隊從光聲顯微采集系統(tǒng)的硬件搭建入手，進一步結合生成式人工智能算法實現(xiàn)極稀疏采樣條件下的高質量圖像重建，最終形成了 “光聲信號采集 — 生成式算法高質量重建” 的技術流程。該流程從算法層面突破了硬件性能的固有限制，成功實現(xiàn)了實際稀疏采樣場景下 PAM 圖像的快速、高質量重建。該研究的突破性體現(xiàn)在以下三方面：1.關鍵發(fā)現(xiàn)：在超稀疏采樣條件下(如 16 倍采樣步長)，團隊所提方法相較于傳統(tǒng)基準方法(如 RL 反卷積、CycleGAN、U-Net 等)的性能優(yōu)勢呈現(xiàn)顯著放大效應，其在峰值信噪比(PSNR)、結構相似性指數(shù)(SSIM)等核心指標上的提升幅度，遠高于低稀疏度采樣場景，驗證了該方法在極端采樣條件下的優(yōu)越性。2.臨床價值：實驗證明，該方法不僅在仿真實驗中表現(xiàn)出優(yōu)異的稀疏重建效果，在實際的PAM成像場景中也展現(xiàn)出卓越性能。既能為臨床診斷提供更高質量的 PAM 圖像，實現(xiàn)組織結構與功能的高精度成像;又能在實際應用中減輕數(shù)據(jù)采集卡的運算負擔、縮短信號采集時間、降低硬件部署成本，有效突破了 PAM 技術臨床轉化的關鍵瓶頸，進一步拓展了其實際應用范圍。3.技術普惠：為資源受限場景(如基層醫(yī)院、移動檢測設備)提供了高質量 PAM 成像的可行方案，有效降低了 PAM 技術的應用門檻，同時，其在快速成像與高質量重建上的優(yōu)勢，也推動了PAM技術向更廣泛領域的普及。

審核編輯 黃宇