高分辨率光聲顯微成像方面獲得突破
發(fā)布人：發(fā)布時間：2025/11/24
光聲顯微術(shù)成像(Photoacoustic Microscopy，PAM)是一種非侵入性的混合生物醫(yī)學(xué)成像技術(shù)，結(jié)合了光學(xué)和聲學(xué)技術(shù)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(xì)胞成像、癌癥檢測，心血管疾病檢測等領(lǐng)域取得了廣泛應(yīng)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(zhuǎn)化潛力和廣泛的應(yīng)用前景，然而，在實際應(yīng)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(fù)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(jìn)行逐點掃描，導(dǎo)致成像時間進(jìn)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(jìn)而給數(shù)據(jù)采集卡帶來巨大負(fù)擔(dān)。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(yīng)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(zhì)量。因此，如何對稀疏采樣圖像進(jìn)行高質(zhì)量重建，成為當(dāng)前面臨的關(guān)鍵挑戰(zhàn)。最新研究表明，深度學(xué)習(xí)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(xùn)練過程依賴帶標(biāo)簽數(shù)據(jù)集，且在模型泛化性與跨模態(tài)適應(yīng)性方面存在顯著局限。此外，傳統(tǒng)深度學(xué)習(xí)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(kuò)散方程），這一局限制約了此類框架在復(fù)雜臨床場景中的精準(zhǔn)應(yīng)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(zhì)量的重建，是一個亟需解決的問題。
近日，南昌大學(xué)信息工程學(xué)院的成像與視覺表示實驗室研究團(tuán)隊構(gòu)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(shù)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(dá)成成像時間縮短與成像質(zhì)量提升的雙重目標(biāo)。研究團(tuán)隊進(jìn)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(gòu)建形成 “智能信號采集 — 數(shù)據(jù)處理 — 高質(zhì)量圖像生成” 的全流程技術(shù)鏈路。其中，發(fā)表于光學(xué)領(lǐng)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(guān)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(guān)鍵的算法環(huán)節(jié)。南昌大學(xué)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(xué)研究團(tuán)隊構(gòu)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(jìn)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(jìn)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(yīng)位置的光聲信號并將其存儲至計算機(jī)中，直至采集完設(shè)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(jìn)行交互，調(diào)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(zhì)量成像結(jié)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(xué)習(xí)方法面臨的訓(xùn)練過程受限、難以融入光聲成像固有的物理先驗知識等關(guān)鍵難題，研究團(tuán)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(fù)擴(kuò)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(wù)。該方法通過模擬隨機(jī)微分方程（SDE）的正向與反向過程 —— 即從高質(zhì)量全采樣圖像到低質(zhì)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(fù)，實現(xiàn)了無需依賴任何特定任務(wù)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(shè)計在于：其采用的得分網(wǎng)絡(luò)以非線性激活自由網(wǎng)絡(luò)（Nonlinear Activation-Free Network, NAFNet）為基礎(chǔ)架構(gòu)，并引入多層感知機(jī)（Multi-Layer Perceptron, MLP）。此架構(gòu)設(shè)計不僅顯著降低計算量、提升計算效率，還進(jìn)一步增強(qiáng)了模型對時間動態(tài)過程的適應(yīng)性；同時，該設(shè)計使模型在圖像恢復(fù)任務(wù)中能夠輸出更精準(zhǔn)的結(jié)果，在不同成像條件下的圖像重建中均保持高性能與強(qiáng)靈活性。上述改進(jìn)最終確保網(wǎng)絡(luò)在稀疏重建任務(wù)中兼顧高質(zhì)量成像效果與高效率運行表現(xiàn)。
圖1.(a)自主研發(fā)的PAM系統(tǒng)。(b)利用均值擴(kuò)散模型對稀疏采樣數(shù)據(jù)進(jìn)行重建，獲得高質(zhì)量圖像。
圖2.PAM稀疏弦圖重建流程圖與網(wǎng)絡(luò)架構(gòu)。
上一篇：沒有了下一篇：開辟片上光學(xué)研究新領(lǐng)域