南昌大学在声学分辨率光声显微成像增强方面研究获得进展

　　图1.基于均值回归扩散模型的AR-PAM增强算法流程图

　　光声显微成像(PAM)作为一种前景广阔的成像模式，结合了光学成像的高空间分辨率和超声成像的深层组织穿透能力，在生物医学研究领域备受关注，在肿瘤检测、皮肤病学以及血管形态评估等诸多领域有广泛的应用。根据成像方式的不同，PAM可以分为光学分辨率光声显微(OR-PAM)和声分辨率光声显微(AR-PAM)。OR-PAM利用光学强聚焦，实现了高横向分辨率(<5 μm)成像。然而，生物组织内的光散射限制了OR-PAM的穿透深度(不超过1-2 mm)。相比之下，AR-PAM表现出更深的成像效果(约3-10 mm)。然而，这种增强效果伴随着横向分辨率的降低(>50 μm)和背景噪声的增加。如何在不牺牲成像深度的情况下，实现高横向分辨率的AR-PAM成像一直是PAM亟需解决的问题。

　　近日，来自南昌大学成像与视觉表示实验室研究团队提出了一种基于均值回归扩散模型的声学分辨率光声显微增强策略，以实现从声学分辨率到光学分辨率的转变。该成果以“Mean-reverting diffusion model-enhanced acoustic-resolution photoacoustic microscopy for resolution enhancement: toward optical resolution”为题发表于生物医学光子学领域知名期刊Journal of Innovative Optical Health Sciences。

　　主要研究内容

　　研究团队提出了一种基于均值回归扩散模型的声学分辨率光声显微增强策略，以实现从声学分辨率到光学分辨率的增强。在训练阶段，通过对从高分辨率PAM图像到具有固定高斯噪声的低分辨率AR-PAM图像的降质过程进行建模，训练一个均值回归扩散模型来学习数据分布的先验信息。在重建阶段，利用学习到的先验信息迭代采样噪声状态，从低质量的AR-PAM图像生成高分辨率图像。

　　作为验证，研究团队使用活体小鼠实验数据对所提方法的性能进行了评估。在横向分辨率为55 μm、信噪比(SNR)为35dB的场景下，将该方法与传统的RL deconvolution方法、 CycleGAN方法以及FDUnet方法进行了比较，结果如图2所示。所提方法的增强结果显示出更高的质量和更优越的横向分辨率。峰值信噪比(PSNR)和结构相似性(SSIM)分别达到了31.96 dB, 0.91, 相比于RL deconvolution方法分别提高了136%和54%。

　　图2.不同方法的重建结果对比图。

　　此外，为了进一步验证该模型在大规模图像上的增强性能，研究团队还使用了完整的活体小鼠脑血管图像进行实验。可以看出，增强后的图像(如图3(c) 所示)血管拓扑结构更加清晰，横向分辨率更高，图像对比度更强。值得注意的是，子图像接合处血管的连续性保持得很好，没有明显的伪影。与真值图像(如图3(a) 所示)相比，AR-PAM图像(如图3(b) 所示)的 PSNR 和 SSIM 分别为 19.39 dB 和 0.53，模型增强图像的 PSNR 和 SSIM 分别提高到 24.72 dB 和 0.73，相较于AR-PAM分别提高了27%和38%。结果表明，所提方法仍能显著提高大尺寸 AR-PAM 图像的横向分辨率。

　　图3.大尺寸AR-PAM图像的分辨率增强结果。

　　结论与展望

　　该研究提出了一种新的基于均值回归扩散模型的AR-PAM增强策略，以实现AR-PAM和OR-PAM成像深度与横向分辨率之间的平衡。该方法对OR-PAM到低质量AR-PAM图像的降质过程建模。随后，采用数值方法迭代执行逆时SDE，旨在从均值状态重建高质量图像。该方法在不牺牲成像深度的前提下，显著提高了AR-PAM的横向分辨率，具有提高PAM成像质量和扩展其应用范围的潜力。


审核编辑 黄宇