智能光声断层成像：生成式模型驱动下的有限采样高质量重建

01导读

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基于分数扩散模型的有限视角下的高质量光声断层成像。该成果以“Score-based generative model-assisted information compensation for high-quality limited-view reconstruction in photoacoustic tomography”为题，于2024年5月23日发表光声领域顶级期刊Photoacoustics。

02研究背景

光声断层成像(PAT)是一种新型的混合医学成像技术，可以实现不同空间尺度下生物组织结构的精确成像，已广泛应用于各领域，包括脑成像、癌症检测和心血管疾病诊断等。然而，由于数据采集条件的限制，光声断层成像系统通常只能以有限的探测视角收集光声信号，这必定会导致光声断层成像图像质量下降。如何在有限视角采样下实现高质量重建一直是PAT亟需解决的问题。

03研究创新点

研究团队提出了一种基于分数扩散模型的光声断层成像重建方法。在训练阶段，模型通过逐步向现有样本中添加噪声来学习样本的数据分布。在重建阶段，该方法将扩散模型学习到的有关图像重建的先验信息作为迭代重建算法中的正则化项，通过循环迭代可以实现有限视角下的高质量光声断层成像。

图1. 基于扩散模型方法的有限视角下PAT重建流程图。

作为验证，研究团队使用圆形仿体和活体小鼠实验数据对所提方法的性能进行了评估。在圆形仿体重建实验中，将该方法与传统的延迟求和方法(DAS)、无正则化项的梯度下降法(GD)、带有Tikhonov正则化项的梯度下降法、U-Net方法以及GAN方法进行了比较，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70°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31.57dB,0.95,相比于延迟求和方法分别提高了203%和48%。

图2. 圆形仿体的重建结果。

从仿体小球和活体小鼠（实验数据）的实验结果来看，该方法依然具有良好的表现（图3）。特别地，在极有限的探测视角下（如90°有限视角），该方法显著优于U-Net方法。在活体小鼠实验中，该方法在90°有限视角的重建图像SSIM/PSNR可达到0.80/29.18 dB，相较于U-Net方法，PSNR提高了64%，SSIM提高了48%。

图3. 不同探测视角下活体数据的重建结果。

04总结与展望

该研究提出了一种新的基于分数扩散模型的有限视角下的高质量光声断层成像策略。该方法将PAT的物理模型与扩散模型相结合，在基于模型的迭代过程中引入扩散模型深度网络学习到的高维先验信息。该方法显著改善了成像质量，该方法有效地解决了PAT中因有限视角采样导致的成像质量下降的问题，具有加速PAT成像速度和扩展其应用范围的潜力。

南昌大学郭康俊、硕士生郑志远、硕士生钟文华，硕士生李子龙为文章共同第一作者，刘且根教授，宋贤林副教授为共同通讯作者。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。

论文链接：https://doi.org/10.1016/j.pacs.2024.100623