圖1.基于均值回歸擴(kuò)散模型的AR-PAM增強(qiáng)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(jié)合了光學(xué)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(yī)學(xué)研究領(lǐng)域備受關(guān)注，在腫瘤檢測、皮膚病學(xué)以及血管形態(tài)評估等諸多領(lǐng)域有廣泛的應(yīng)用。根據(jù)成像方式的不同，PAM可以分為光學(xué)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(xué)強(qiáng)聚焦，實(shí)現(xiàn)了高橫向分辨率(<5 μm)成像。然而，生物組織內(nèi)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(xiàn)出更深的成像效果(約3-10 mm)。然而，這種增強(qiáng)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(shí)現(xiàn)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(xué)成像與視覺表示實(shí)驗(yàn)室研究團(tuán)隊(duì)提出了一種基于均值回歸擴(kuò)散模型的聲學(xué)分辨率光聲顯微增強(qiáng)策略，以實(shí)現(xiàn)從聲學(xué)分辨率到光學(xué)分辨率的轉(zhuǎn)變。該成果以“Mean-reverting diffusion model-enhanced acoustic-resolution photoacoustic microscopy for resolution enhancement: toward optical resolution”為題發(fā)表于生物醫(yī)學(xué)光子學(xué)領(lǐng)域知名期刊Journal of Innovative Optical Health Sciences。

主要研究內(nèi)容

研究團(tuán)隊(duì)提出了一種基于均值回歸擴(kuò)散模型的聲學(xué)分辨率光聲顯微增強(qiáng)策略，以實(shí)現(xiàn)從聲學(xué)分辨率到光學(xué)分辨率的增強(qiáng)。在訓(xùn)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(zhì)過程進(jìn)行建模，訓(xùn)練一個(gè)均值回歸擴(kuò)散模型來學(xué)習(xí)數(shù)據(jù)分布的先驗(yàn)信息。在重建階段，利用學(xué)習(xí)到的先驗(yàn)信息迭代采樣噪聲狀態(tài)，從低質(zhì)量的AR-PAM圖像生成高分辨率圖像。

作為驗(yàn)證，研究團(tuán)隊(duì)使用活體小鼠實(shí)驗(yàn)數(shù)據(jù)對所提方法的性能進(jìn)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(tǒng)的RL deconvolution方法、 CycleGAN方法以及FDUnet方法進(jìn)行了比較，結(jié)果如圖2所示。所提方法的增強(qiáng)結(jié)果顯示出更高的質(zhì)量和更優(yōu)越的橫向分辨率。峰值信噪比(PSNR)和結(jié)構(gòu)相似性(SSIM)分別達(dá)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(jié)果對比圖。

此外，為了進(jìn)一步驗(yàn)證該模型在大規(guī)模圖像上的增強(qiáng)性能，研究團(tuán)隊(duì)還使用了完整的活體小鼠腦血管圖像進(jìn)行實(shí)驗(yàn)?？梢钥闯?，增強(qiáng)后的圖像(如圖3(c) 所示)血管拓?fù)浣Y(jié)構(gòu)更加清晰，橫向分辨率更高，圖像對比度更強(qiáng)。值得注意的是，子圖像接合處血管的連續(xù)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(qiáng)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(jié)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(qiáng)結(jié)果。

結(jié)論與展望

該研究提出了一種新的基于均值回歸擴(kuò)散模型的AR-PAM增強(qiáng)策略，以實(shí)現(xiàn)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(zhì)量AR-PAM圖像的降質(zhì)過程建模。隨后，采用數(shù)值方法迭代執(zhí)行逆時(shí)SDE，旨在從均值狀態(tài)重建高質(zhì)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(zhì)量和擴(kuò)展其應(yīng)用范圍的潛力。


審核編輯 黃宇