圖1.基于均值回歸擴散模型的AR-PAM增強算法流程圖

光聲顯微成像(PAM)作為一種前景廣闊的成像模式，結合了光學成像的高空間分辨率和超聲成像的深層組織穿透能力，在生物醫學研究領域備受關注，在腫瘤檢測、皮膚病學以及血管形態評估等諸多領域有廣泛的應用。根據成像方式的不同，PAM可以分為光學分辨率光聲顯微(OR-PAM)和聲分辨率光聲顯微(AR-PAM)。OR-PAM利用光學強聚焦，實現了高橫向分辨率(<5 μm)成像。然而，生物組織內的光散射限制了OR-PAM的穿透深度(不超過1-2 mm)。相比之下，AR-PAM表現出更深的成像效果(約3-10 mm)。然而，這種增強效果伴隨著橫向分辨率的降低(>50 μm)和背景噪聲的增加。如何在不犧牲成像深度的情況下，實現高橫向分辨率的AR-PAM成像一直是PAM亟需解決的問題。

近日，來自南昌大學成像與視覺表示實驗室研究團隊提出了一種基于均值回歸擴散模型的聲學分辨率光聲顯微增強策略，以實現從聲學分辨率到光學分辨率的轉變。該成果以“Mean-reverting diffusion model-enhanced acoustic-resolution photoacoustic microscopy for resolution enhancement: toward optical resolution”為題發表于生物醫學光子學領域知名期刊Journal of Innovative Optical Health Sciences。

主要研究內容

研究團隊提出了一種基于均值回歸擴散模型的聲學分辨率光聲顯微增強策略，以實現從聲學分辨率到光學分辨率的增強。在訓練階段，通過對從高分辨率PAM圖像到具有固定高斯噪聲的低分辨率AR-PAM圖像的降質過程進行建模，訓練一個均值回歸擴散模型來學習數據分布的先驗信息。在重建階段，利用學習到的先驗信息迭代采樣噪聲狀態，從低質量的AR-PAM圖像生成高分辨率圖像。

作為驗證，研究團隊使用活體小鼠實驗數據對所提方法的性能進行了評估。在橫向分辨率為55 μm、信噪比(SNR)為35dB的場景下，將該方法與傳統的RL deconvolution方法、 CycleGAN方法以及FDUnet方法進行了比較，結果如圖2所示。所提方法的增強結果顯示出更高的質量和更優越的橫向分辨率。峰值信噪比(PSNR)和結構相似性(SSIM)分別達到了31.96 dB, 0.91, 相比于RL deconvolution方法分別提高了136%和54%。

圖2.不同方法的重建結果對比圖。

此外，為了進一步驗證該模型在大規模圖像上的增強性能，研究團隊還使用了完整的活體小鼠腦血管圖像進行實驗?？梢钥闯觯鰪姾蟮膱D像(如圖3(c) 所示)血管拓撲結構更加清晰，橫向分辨率更高，圖像對比度更強。值得注意的是，子圖像接合處血管的連續性保持得很好，沒有明顯的偽影。與真值圖像(如圖3(a) 所示)相比，AR-PAM圖像(如圖3(b) 所示)的 PSNR 和 SSIM 分別為 19.39 dB 和 0.53，模型增強圖像的 PSNR 和 SSIM 分別提高到 24.72 dB 和 0.73，相較于AR-PAM分別提高了27%和38%。結果表明，所提方法仍能顯著提高大尺寸 AR-PAM 圖像的橫向分辨率。

圖3.大尺寸AR-PAM圖像的分辨率增強結果。

結論與展望

該研究提出了一種新的基于均值回歸擴散模型的AR-PAM增強策略，以實現AR-PAM和OR-PAM成像深度與橫向分辨率之間的平衡。該方法對OR-PAM到低質量AR-PAM圖像的降質過程建模。隨后，采用數值方法迭代執行逆時SDE，旨在從均值狀態重建高質量圖像。該方法在不犧牲成像深度的前提下，顯著提高了AR-PAM的橫向分辨率，具有提高PAM成像質量和擴展其應用范圍的潛力。


審核編輯 黃宇