南昌大学宋贤林团队：高维去噪自编码器先验引导的极有限视角下光声断层成像重建

光声断层成像（Photoacoustic　Tomography，　PAT）是一种融合光学高对比度与超声深穿透能力的新型无损生物医学成像技术，在肿瘤早期检测、疗效监测、功能成像和小动物活体成像等领域具有重要应用价值。该技术通过短脉冲激光照射生物组织，使组织吸收光能后发生瞬时热弹性膨胀并产生超声信号，再由超声换能器采集信号并重建组织内部光吸收分布。

在实际应用中，PAT　往往受到探测器布置空间、设备成本、人体结构和采集环境等因素限制，难以获得完整角度的光声信号。有限角采样会造成投影信息缺失，使重建结果出现伪影、结构拉伸、边缘模糊和细节丢失等问题，成为制约　PAT　临床转化和紧凑化应用的重要瓶颈。

近日，南昌大学信息工程学院成像与视觉表示实验室研究团队提出一种高维去噪自编码器先验引导的超有限角光声断层成像重建方法。相关研究成果以“High－dimensional　denoising　autoencoder　priors－guided　generative　deep　learning　enables　superior　photoacoustic　tomography　at　ultra－limited－view　sampling”为题发表于　Optics　＆　Laser　Technology。

研究创新点：

研究团队针对有限角　PAT　逆问题病态性强、传统重建方法依赖人工先验、深度学习方法训练稳定性不足等问题，提出了小波驱动的多模型多通道去噪自编码器方法（wavelet－driven　multi－model　multi－channel　denoising　autoencoder，　MMWDAE）。该方法将小波变换的多尺度、多方向特征提取能力与多模型、多通道去噪自编码器的高维先验学习能力相结合，在无配对训练条件下学习图像先验梯度，并将其作为正则化约束嵌入物理迭代重建过程。

为验证方法在实际系统中的适用性，研究团队搭建了光声断层成像系统，如图1所示。系统由激光触发模块、步进控制模块和数据采集模块组成，采用工作频率为　10　Hz　的　Nd：YAG　纳秒激光激发生物组织产生光声信号，并通过超声换能器、信号放大器和数据采集卡完成有限角光声信号采集，最终输入重建算法获得组织初始声压分布图像。

图1　实际光声断层成像系统结构及重建流程示意图

在算法设计上，研究团队首先将单通道图像复制为三通道数据，并分别加入不同强度的高斯噪声；随后利用　Haar　小波进行两级小波分解，获得低频近似分量以及水平、垂直、对角方向的高频细节分量，从而构建高维小波域特征表示。不同噪声强度对应多个去噪自编码器模型，每个模型又包含多个通道，通过多模型、多通道聚合获得更加稳定和丰富的图像先验梯度，整体流程如图2所示。

在重建阶段，研究团队将有限角采集的光声信号作为数据一致性约束，将　MMWDAE　学习到的图像先验梯度作为正则化项，通过梯度下降迭代优化重建结果。该策略既保留了物理前向模型对测量数据的约束，又利用深度生成先验补偿有限角采样造成的缺失信息，从而显著提升超有限角条件下的　PAT　图像质量。

图2　小波驱动多模型多通道去噪自编码器算法流程图

研究团队首先在圆形仿体数据上验证了方法性能。如图3所示，在　75°　极有限角条件下，所提方法在迭代早期即可恢复目标轮廓；随着迭代进行，图像伪影逐渐减少，高频细节逐步恢复。实验结果显示，在　300　次迭代时，重建图像　PSNR　达到　37.96　dB，SSIM　达到　0.978，表明该方法能够在较少迭代次数下实现高质量重建。

图3　75°有限角条件下圆形仿体迭代重建过程图

在圆形仿体实验中，75°　有限角条件下，所提方法获得　37.67　dB　的　PSNR　和　0.978　的　SSIM。与　DAS　方法相比，PSNR　提升　22.95　dB（约　155.91％），SSIM　提升　0.152（约　18.40％）；与　U－Net　和　GAN　方法相比，也表现出更完整的结构恢复、更清晰的边缘轮廓和更少的伪影。

进一步的多方法对比结果如图4所示。研究团队将所提方法与　DAS、U－Net　和　GAN　方法在　75°、90°、105°　和　120°　有限角条件下进行比较。结果表明，DAS　方法存在明显信息缺失和伪影，U－Net　与　GAN　方法虽能改善部分结构，但仍存在细节模糊或虚假信号；所提方法在结构完整性和边缘清晰度方面均表现更优。

图4　不同有限角条件下圆形仿体重建结果对比图

为进一步验证方法在活体数据中的适用性，研究团队开展了活体小鼠数据重建实验。如图5所示，在　75°、90°、105°　和　120°　有限角条件下，研究团队比较了　DAS、U－Net、GAN与所提方法的重建结果。论文结果表明，DAS　方法重建图像对比度较低且伪影较重，U－Net　方法虽可减少部分伪影但会损失较多细节，GAN　方法能够一定程度提升清晰度但仍存在细节模糊和图像失真；相比之下，所提方法在整体图像质量和细节恢复方面均有明显提升，即使在　75°　极有限角条件下也能够恢复大部分组织细节。

定量分析显示，在　75°　有限角条件下，所提方法在活体小鼠数据上获得　29.90　dB　的　PSNR　和　0.807　的　SSIM。与　DAS　方法相比，PSNR　提升　14.70　dB（约　96.71％），SSIM　提升　0.226（约　38.90％）；与　U－Net　和　GAN　方法相比，也分别取得更高的　PSNR　和　SSIM，验证了该方法在活体样本有限角　PAT　重建中的有效性和适用性。

图5　不同有限角条件下活体小鼠数据重建结果对比图

此外，研究团队还利用自研实际系统采集了鸡胸组织内碳棒目标和活体小鼠下腹部血管组织的光声数据，进一步验证方法在真实采集环境中的适用性。结果表明，在不同有限角条件下，传统　DAS　方法容易出现细节缺失，U－Net　和　GAN　等深度学习方法仍存在轮廓恢复不足、伪影或虚假信号等问题；相比之下，所提方法能够更稳定地恢复目标结构、血管轮廓和纹理细节，在图像对比度、边缘锐度和细节完整性方面表现更优，说明该方法在复杂活体组织成像和实际有限角采集场景中具有较好的应用潜力。

结论与展望：

该项工作提出了高维去噪自编码器先验引导的超有限角　PAT　重建方法，通过小波变换、多模型多通道自编码器和物理迭代重建的深度融合，有效缓解了有限角采样导致的信息缺失问题。实验结果表明，该方法能够在　75°、90°、105°　和　120°　等有限角条件下稳定恢复高质量光声图像，并在圆形仿体和活体小鼠数据中均显著优于　DAS、U－Net　和　GAN　等方法。

这一研究为低成本、紧凑型和受限视角条件下的光声断层成像提供了新的算法路径，有望推动　PAT　在活体动物成像、乳腺检测、脑成像及临床有限空间检测场景中的进一步应用。未来，团队将继续围绕大规模真实数据集构建、跨系统泛化能力提升和实时动态成像等问题开展深入研究。

作者：南昌大学方浩然、　法曜龙