光声断层成像是一种用于成像生物组织结构和功能的非侵入性成像技术，具有高对比度、高分辨率和高穿透深度的特点，被广泛应用于生物医学领域，例如心血管检测，脑功能测绘，肿瘤诊断，组织成像等。光声断层成像通过选择合适波长的激光作为激发源，使光能量转化为热能的效率最大。物体吸收的光能转化为热能，发生绝热膨胀产生超声波，即光声信号。利用超声探测器接收光声信号，并通过超声换能器将光声信号转化为电信号，并对采集到的信号进行适当地处理，采用相应的图像重建算法获得相应图像。
然而，在实际情况下，由于超声换能器的带宽和数量的限制，以及受成像导管的机械结构、空间位置等的限制，超声探测器往往只能在封闭的管腔内进行有限角度的扫描，很难获得完整的光声信号，导致重建图像存在严重的伪影和失真。盲区、模糊、伪影的存在会降低图像对比度，影像结构不清晰或遗漏重要信息，给实际诊断带来很大障碍。因此，解决在有限视角下图像失真或存在伪影的问题具有重要意义。近日，来自南昌大学成像与视觉表示实验室研究团队提出了一种多扩散模型赋能的有限视角下的高质量光声断层成像。该成果以“Multiple diffusion models-enhanced extremely limited-view reconstruction strategy for photoacoustic tomography boosted by multi-scale priors”为题发表于光声领域顶级期刊Photoacoustics。研究团队提出了一种基于多扩散模型的有限视角光声断层成像重建方法。方法在数据域上直接应用扩散模型进行PAT重建，使用了两个基于分数的扩散模型学习弦图的多尺度先验来促进轮换迭代的重建过程，并在血管仿真数据集和小鼠腹部体内实验数据集对所提出方法的有效性进行评估，结果表明该方法实现了在极有限视角下PAT的高质量重建。方法的创新点主要在于将多尺度先验和轮换迭代重建相结合。在训练阶段，通过缓慢地添加噪声扰动，完成从结构化的原始数据分布到非结构化的先验分布的平滑转换，使两个模型分别学习到全视角和240°有限视角下的光声数据分布，从而获得多尺度的先验信息。在重建阶段，通过轮换迭代的操作，利用模型训练时获得的两种数据分布的先验信息，实现信息从全局到局部的传输，从而使重建的结果在细节上更精确。
图1. 训练和重建的网络流程图。
研究团队使用血管仿真数据和小鼠体内实验数据对所提方法的性能进行了评估。从血管仿真数据和小鼠体内实验数据的实验结果来看，该方法在极有限视角下，相较于其他方法，依然具有更加优越的表现。在血管仿真数据重建实验中，将该方法与传统的延迟求和方法(DAS)、U-Net方法、GAN方法以及仅使用单模型的方法（FS-DM）进行了比较，结果如图2所示。所提方法在不同有限视角情况下，所提方法的重建结果均显示出更高的质量和更清晰的轮廓。在45°极有限视角下，所提方法重建结果的峰值信噪比(PSNR)和结构相似性(SSIM)分别达到了21.72dB,0.78,相比于延迟求和方法分别提高了7.68%和5.40%，相比于U-Net方法分别提高了4.02%和2.62%。![]()
![]()
图3. 小鼠体内实验数据的重建结果。
该工作提出了一种新型的基于多扩散模型的PAT重构策略。该策略利用两个扩散模型学习完全采样和240°有限采样下的多尺度光声数据，利用获得的多尺度先验信息，采用轮换迭代方法在数据域生成缺失视角的数据。该策略从全局到局部逐步细化图像信息，提高了重构过程的稳定性，实现了在极有限视角下光声断层成像的高质量重建。该技术在医学影像诊断、乳腺癌检测等相关领域的应用具有巨大的潜力，能够有效地扩展PAT应用范围。
南昌大学宋贤林副教授、本科生邹雪扬、本科生曾凯欣为文章共同第一作者，南昌大学刘且根教授为通讯作者。该研究得到国家自然科学基金委、江西省重点研发项目的资助。文章链接：
https://www.sciencedirect.com/science/article/pii/S2213597924000636
代码链接：https://github.com/yqx7150/MSDM-PAT
![]()
刘且根，国家优秀青年基金获得者，南昌大学教授/博导。为IEEE和CCF等数十个国际国内学术组织的专委会委员，获江西省自然科学奖、吴文俊人工智能等奖项5项。![]()
宋贤林，南昌大学副教授，硕士生导师，南昌大学成像与视觉表示实验室副主任。于2019年获得华中科技大学光学工程博士学位，研究方向包括光学成像、生物医学成像和光声成像。
声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理（按照法规支付稿费或立即删除），所有来稿文责自负，专委会仅作为分享平台。转载请注明出处，如原创内容转载需授权，请联系邮箱：cita@csoe.org.cn
公众号投稿请联系：cita@csoe.org.cn商务合作/文章转载请联系：010-63726007 ![]()
欢迎分享 ![]()
点赞，在看
