光谱失真抑制深度学习在光纤传感器光声显微成像中的突破与应用

本研究针对光纤激光传感器在光声显微镜(PAM)大视场成像中信噪比(SNR)快速下降导致血氧饱和度(sO2)量化不准确的问题，开发了一种两阶段深度学习框架。第一阶段通过维度缩减降噪网络(DRD-Net)将3D数据降维至2D并抑制噪声，第二阶段通过波长融合网络(WF-Net)整合双波长图像并抑制光谱失真。实验验证表明，该方法不仅能有效去噪，还能保持sO2计算的高保真度，解决了快速功能PAM成像中的关键挑战。

　　

在生物医学成像领域，光声显微镜(PAM)作为一种新兴技术，通过捕获光诱导的超声波实现光学对比度成像，展现出巨大潜力。然而，传统压电传感器通常需要紧密聚焦才能实现高灵敏度，这限制了成像视场(FOV)和成像速度。虽然光纤激光传感器为PAM提供了紧凑尺寸、电磁免疫等优势，但其信噪比(SNR)会随着FOV扩大而快速下降，严重影响从噪声光声信号中提取血氧饱和度(sO₂)的准确性。

针对这一挑战，来自香港城市大学生物医学工程系的研究团队在《Photoacoustics》上发表了一项创新研究，提出了一种两阶段深度学习框架。该框架的核心创新在于通过DRD-Net实现自适应的3D到2D投影，保留更完整的微血管信息；同时利用WF-Net整合光谱特征，保持双波长间的振幅比例，从而最小化sO₂失真。

研究团队采用的关键技术方法包括：通过机械扫描系统同步采集光纤激光传感器和共聚焦OR-PAM探针的配对数据作为训练集；设计包含投影学习模块(PLM)的DRD-Net网络架构实现3D到2D的维度缩减；引入灵敏度图补偿传感器灵敏度不均匀性；构建双U-Net分支的WF-Net网络集成光谱特征。实验使用C57小鼠脑部成像数据，通过Adam优化器训练网络，采用MSE、SSIM和PSNR作为评价指标。

4.1. 配对PAM数据的验证

研究人员将WF-Net与传统方法（高斯滤波、BM4D）及深度学习方法（UPAMNet、IPN）进行对比。定量结果表明，WF-Net在MSE(0.0053)、SSIM(0.7327)和PSNR(23.131dB)指标上均优于其他方法。特别是在sO₂准确性方面，WF-Net的MSE(0.0159)比次优方法降低58.2%，证明其在保持功能成像准确性方面的显著优势。

4.2. 活体快速功能成像增强

在活体高碳酸血症实验中，研究团队展示了增强后光纤激光传感器PAM的性能。系统实现了5×8mm2范围内的0.08Hz C扫描速度，WF-Net在所有条件下都提供了视觉上更清晰、更连续的血管结构。对动脉和静脉的相对血红蛋白浓度(C_Hb)分析显示，WF-Net呈现出最平滑的空间分布（标准差σ=0.0248），显著优于其他方法。

sO₂动态监测结果进一步验证了方法的可靠性。WF-Net成功捕捉到急性高碳酸血症期间动脉sO₂从95%降至75%、静脉从71%降至60%的生理响应，且在低SNR区域仍能保持合理的sO₂量化性能，而其他方法则出现明显失真或过度估计。

该研究的创新性在于突破了光纤激光传感器在灵敏度与视场之间的传统权衡，通过深度学习框架实现了同时提升SNR和保持sO₂准确性的双重目标。DRD-Net的自适应投影学习为从噪声体积数据中提取高保真2D表征提供了通用方法，而WF-Net中的物理信息约束对多波长定量生物医学成像具有广泛适用性。这项工作为快速功能PAM成像提供了有效的解决方案，推动了光纤传感器在生物医学应用中的进一步发展。