OEA | 物理嵌入退化学习的增强光声显微术

欢迎大家来到IT世界,在知识的湖畔探索吧!

Opto-Electronic Advances

论文推荐

南京理工大学陈钱教授和左超教授团队提出了一种新颖且高效的物理嵌入式退化学习(PEDL)方法，构建了物理嵌入的退化机制，为光声显微镜(PAM)设计了一个退化物理模型，从而更加精准地模拟PAM成像过程中的物理机制。

欢迎大家来到IT世界,在知识的湖畔探索吧!

文章 | Ma HG, Ren SL, Wei X et al. Enhanced photoacoustic microscopy with physics-embedded degeneration learning. Opto-Electron Adv 8, (2025).

第一作者：马海钢，任世利

通信作者：陈钱，左超

点击文章标题查看全文

研究背景

近年来，光声成像(PAI)作为一种新兴的成像技术，逐渐引起了各个领域的广泛关注，特别是在医学、物理学与化学等交叉领域[1-3]。简而言之，PAI结合了光学和声学的独特优势，其基本原理是：当激光照射到目标物体(如人体组织)时，部分光能被吸收并转化为热能，导致局部温度升高，从而引起该区域的压力波动，并产生声波。这些声波被超声探测器[4-5]接收后转换为图像[6]，从而反映出目标内部的结构与功能状态。PAI能够利用不同组织对光的吸收特性差异，在进行体内成像时，不仅能提供高分辨率的图像，同时具有较强的深度穿透能力，因此被视为一种极具潜力的非侵入性成像技术。

光声显微镜(PAM)作为PAI的一种成像方式，旨在提高成像分辨率[7]。PAM通过将激光聚焦到极小的区域，使得其能够在微米甚至纳米尺度上提供极为精细的图像[8]。因此，PAM在组织和细胞层次的观察中具有广泛应用。作为PAI的延伸，PAM不仅保留了PAI的优点，如毫米级的穿透深度，还凭借其出色的空间分辨率，成为生物医学研究中不可或缺的工具，尤其是对细胞和组织微观结构的探索。

随着科学技术的持续进步，PAM的分辨率、穿透深度以及图像质量已取得显著提升。例如，改进的激光源和超声探测器使得PAI系统能够在更深的组织层次中实现成像，同时保持较高的分辨率和较低的噪声水平[9-10]。在算法方面，新的图像重建方法和信号处理技术的引入，显著增强了PAM图像的质量和精度[11-13]。

尽管PAM在多个方面取得了显著进展，但在深层成像过程中，仍面临诸如信号衰减和噪声等挑战。为了解决这些问题，研究人员正积极探索一系列新技术和方法，包括高性能光声探测器的开发、算法优化以及基于深度学习的图像处理方法等[14-15]。然而，PAM在深层成像的准确性、图像质量和信噪比等方面仍存在一定的局限性，这些问题在一定程度上限制了其在临床研究和疾病诊断中的应用潜力。因此，如何进一步提升PAM技术的综合性能，仍然是当前研究的核心课题。

本文亮点

为应对上述挑战，南京理工大学陈钱教授和左超教授团队提出了一种新颖且高效的物理嵌入式退化学习(PEDL)方法，该方法将物理原理和PAM领域的专业知识有机融合至深度学习(DL)模型中。通过充分利用组织的光学与声学特性，构建了物理嵌入的退化机制，进而为PAM设计了一个退化物理模型，从而更加精准地模拟PAM成像过程中的物理机制。所提出的PEDL神经网络基于U-Net结构(图1)，结合了多个残差块与全局上下文(GC)自注意力增强模块[16]。多个残差块有效地提取了PAM图像中的复杂特征，而残差块则有效避免了梯度消失问题。同时，GC自注意力机制能够捕捉特征图的全局上下文信息，帮助PEDL更好地理解PAM图像的整体结构。

图1 网络结构和流程图。(a)物理模型的示意图；(b)网络的基本结构图；(c)物理模型的图像生成过程；(d)残差模块；(e) GC注意模块。

PEDL提高了DL模型的泛化能力，使其能够在未知场景中做出可靠的预测，特别是对于PAM系统的适用性。例如，它能够应对多种类型的噪声干扰、散射变化的生物组织以及激光能量的波动。图2显示了在强退化情况下的重建效果图。从图2(a)到图2(b)有显著的改进。如图2(a1)~(a3)、图2(b1)~(b3)、图2(c1)~(c3)所示，在放大的区域，分辨率明显提高。图2(d)~(f)显示的是网络重建前后的对比，可以观察到噪声得到了有效去除，图像的分辨率显著提升。在图2(a)~(c)中，黄色箭头表示的是由于噪声干扰而难以辨别的细小血管。经过网络重建后，血管得到恢复，并且恢复后的图像接近地面真实图像。在图2(d)~(f)中，橙色箭头标记的噪声经过网络重建后得到有效地去除，并且FWHM得到了很好地恢复。

图2 强退化下的光声显微图像重建图以及分析。(a)强退化的输入图像；(b)网络重建结果；(c)地面真实图像；(a1)~(a3)、(b1)~(b3)、(c1)~(c3)是相应ROI区域的放大图像；(d)沿着ROI-1中的线的最大强度投影分析；(e)沿着ROI-2中的线的最大强度投影分析；(f)沿ROI-3中线的最大强度投影分析。

图3显示了在不同能量下的成像结果和分析。在图3(a)~(f)到图3(a1)~(f1)中，小信号得到增强，整体图像分辨率得到提高。在图3中，箭头标记的是经过网络重建前后对比较明显的区域。特别是从图3(f)到图3(f1)中可以观察到，重建图像恢复了几乎消失的血管结构。总的而言，经过PEDL重建，血管结构得到了有效恢复，并且以100%功率图像为参考，验证了重建血管结构的合理性。在直方图的放大区域中背景噪声在低能量区域中减少，而血管信号在高能量区域中增强。这表明PEDL可以有效地恢复不同能量下的图像信息，增强血管信号，并有效地去除背景噪声。

图3 不同激光能量下的光声显微图像重建以及图像分析。(a)~(f)分别在100%、66%和33%功率下的光声显微图像；(a1)~(f1)、(a2)~(f2)对应于输入图像的网络输出图像和在100%功率下获得的光声显微图像；(a3)~(f3)、(a4)~(f4)对应于与以100%功率获得的图像相比的输入和输出图像的误差图；(a5)~(f5)输入图像、输出图像和以100%功率获得的图像的直方图。

近年来，随着深度学习技术的迅猛发展，深度学习在应对PAM领域中各类挑战性问题时，已经引起了广泛的关注和兴趣。得益于深度神经网络在特征提取方面的卓越能力，深度学习在提升PAM成像质量方面展现出了超越传统方法的显著性能突破，并展示了巨大的应用潜力。融合物理模型的深度学习方法，不仅像传统神经网络一样能够学习训练数据的内在特征，还能够深入理解图像形成的物理规律，从而实现更高质量的PAM成像。未来，研究团队将继续深入探索PAM领域中的物理规律，推动更深层次的PAM成像技术的发展，并致力于提高PAM成像的速度，以加速其在医疗领域的广泛应用。、

该工作以“Enhanced Photoacoustic Microscopy With Physics-Embedded Degeneration Learning”为题发表在Opto-Electronic Advances 2025年第3期。

研究团队简介

南京理工大学智能计算成像实验室(SCILab: www.scilaboratory.com)隶属于南京理工大学光学工程国家一级重点学科带头人陈钱教授领衔的“光谱成像与信息处理”教育部长江学者创新团队、首批“全国高校黄大年式教师团队”。实验室学术带头人左超教授为教育部长江学者特聘教授、国际光学工程学会会士(SPIE Fellow)、美国光学学会会士(Optica Fellow)、英国物理学会会士(IOP Fellow)，入选科睿唯安全球高被引科学家。实验室致力于研发新一代计算成像与传感技术，在国家重大需求牵引及重点项目支持下开展新型光学成像的机理探索、工程实践以及先进仪器的研制工作，并开拓其在生物医药、智能制造、国防安全等领域的前沿应用。研究成果已在SCI源刊上发表论文270余篇，其中46篇论文被选作Light、Optica、OEA等期刊封面论文，25篇论文入选ESI高被引/热点论文，论文被引超过20000次。获欧洲物理学会菲涅耳奖(Fresnel Prize)、获中国光学工程学会技术发明奖一等奖、江苏省科学技术奖基础类一等奖、日内瓦国际发明展“特别嘉许金奖”等。培养博士生6人获全国光学工程优秀博士论文/提名奖、2人获国际光学工程学会(SPIE)光学与光子学教育奖学金、5人获中国光学学会王大珩光学奖、10人获Light全国光学博士生学术联赛全国百强。研究生获国家奖学金30余人次，国际会议最佳报告/海报奖40余人次。学生团队获全国“挑战杯”、“互联网+”、“创青春”、“研电赛”金奖/特等奖15次，2023年，获“互联网+”全国总冠军。师生双创事迹得到央视《焦点访谈》、人民网、新华网、光明日报、中国教育电视台等百余家媒体报道，社会辐射影响广泛。

引用

[1] Wang L V. Multiscale photoacoustic microscopy and computed tomography [J]. Nature Photonics, 2009, 3(9): 503-509.

[2] Yao J, Wang L V. Photoacoustic tomography: fundamentals, advances and prospects[J]. Contrast Media & Molecular Imaging, 2011, 6(5): 332-345.

[3] Yu Y, Feng T, Qiu H, et al. Simultaneous photoacoustic and ultrasound imaging: A review[J]. Ultrasonics, 2024: .

[4] Abdullah A, Shahini M, Pak A. An approach to design a high power piezoelectric ultrasonic transducer[J]. Journal of Electroceramics, 2009, 22: 369-382.

[5] Zeng Y, Xing D, Wang Y, et al. Photoacoustic and ultrasonic coimage with a linear transducer array[J]. Optics Letters, 2004, 29(15): 1760-1762.

[6] Xu M, Wang L V. Universal back-projection algorithm for photoacoustic computed tomography[J]. Physical Review E—Statistical, Nonlinear, and Soft Matter Physics, 2005, 71(1): 016706.

[7] Wang L V, Gao L. Photoacoustic microscopy and computed tomography: from bench to bedside[J]. Annual Review of Biomedical Engineering, 2014, 16(1): 155-185.

[8] Yao J, Wang L V. Photoacoustic microscopy[J]. Laser & Photonics Reviews, 2013, 7(5): 758-778.

[9] Kothapalli S R, Ma T J, Vaithilingam S, et al. Deep tissue photoacoustic imaging using a miniaturized 2-D capacitive micromachined ultrasonic transducer array[J]. IEEE Transactions on Biomedical Engineering, 2012, 59(5): 1199-1204.

[10] Johnson J L, Shragge J, Van Wijk K. Nonconfocal all-optical laser-ultrasound and photoacoustic imaging system for angle-dependent deep tissue imaging[J]. Journal of Biomedical Optics, 2017, 22(4): 041014-041014.

[11] Deng Z, Yang X, Gong H, et al. Two-dimensional synthetic-aperture focusing technique in photoacoustic microscopy[J]. Journal of Applied Physics, 2011, 109(10).

[12] Chen J, Lin R, Wang H, et al. Blind-deconvolution optical-resolution photoacoustic microscopy in vivo[J]. Optics Express, 2013, 21(6): 7316-7327.

[13] Hill E R, Xia W, Clarkson M J, et al. Identification and removal of laser-induced noise in photoacoustic imaging using singular value decomposition[J]. Biomedical Optics Express, 2017, 8(1): 68-77.

[14] Zhang Z, Jin H, Zhang W, et al. Adaptive enhancement of acoustic resolution photoacoustic microscopy imaging via deep CNN prior[J]. Photoacoustics, 2023, 30: .

[15] Gao Y, Feng T, Qiu H, et al. 4D spectral-spatial computational photoacoustic dermoscopy[J]. Photoacoustics, 2023, 34: .

[16] Cao Y, Xu J, Lin S, et al. Gcnet: Non-local networks meet squeeze-excitation networks and beyond[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops. 2019: 0-0.