基于模型引导的深度学习优化低阵元线阵光声成像重建技术

推荐：针对线性阵列超声换能器在光声成像(PAT)中因稀疏传感器排布导致的图像质量下降问题，研究人员提出轻量化GE-CNN框架。该模型融合物理先验与神经网络，实现模型矩阵体积缩减4倍(2.09 GB vs 8.38 GB)，处理速度提升46.3%，在合成模型、仿体及大鼠肝脏活体成像中验证其显著提升低阵元(32/64)配置下的重建性能(PSNR提升10%，SSIM提升6-10%)，为可穿戴设备等低功耗应用提供新方案。

　　

光声成像(PAT)作为新兴的无创生物医学成像技术，兼具光学对比度与超声分辨率的优势，在乳腺癌筛查、脑功能成像等领域展现出巨大潜力。然而临床常用的线性阵列换能器面临两难困境：稀疏阵列设计虽能降低系统复杂度，却因有限的传感器数量(如32/64阵元)和较大间距(～λ)导致严重的栅瓣伪影和噪声。传统延时叠加(DAS)算法重建质量差，而基于模型的迭代方法又存在计算量巨大的缺陷。如何在不牺牲成像质量的前提下突破硬件限制，成为制约PAT技术普及的关键瓶颈。

美国伊利诺伊大学厄巴纳-香槟分校的研究团队在《Photoacoustics》发表创新性研究，提出梯度增强卷积神经网络(GE-CNN)框架。该工作通过将波传播物理模型嵌入轻量化神经网络，成功实现32阵元配置下模型矩阵体积缩减至2.09 GB(较128阵元降低75%)，处理时间从7.88秒缩短至4.23秒。在合成数据、仿体和大鼠肝脏活体实验中，该方法使峰值信噪比(PSNR)和结构相似性(SSIM)分别提升5-8%和6-10%，为低功耗可穿戴PAT设备的发展奠定基础。

研究采用三大关键技术：1) 基于K-wave平台的数值模拟生成训练数据集(含400组视网膜血管/数字血管样本)；2) 双路径CNN架构融合DAS初重建图像与数据保真度梯度信息；3) 亚波长平移扫描技术获取256阵元高密度数据作为活体实验的参考标准。通过Verasonics Vantage 256系统采集128阵元L12-5换能器(中心频率7.5 MHz)的射频数据，结合700 nm激光激发构建多模态成像体系。

3.1 合成圆形靶标成像
GE-CNN在圆形靶标重建中展现卓越性能，SSIM达0.99±0.0024，较DAS提升180%。边界堆积伪影被有效抑制，64.04%的PSNR提升证实该方法对几何特征的精准恢复能力。

3.2 合成血管成像
对于复杂血管网络，传统CNN和U-net出现局部结构缺失(绿色箭头标记)，而GE-CNN完整保留分支细节，SSIM提升10%印证其对拓扑结构的保持优势。

3.3 噪声鲁棒性验证
在20-40 dB高斯噪声条件下，GE-CNN的PSNR始终领先U-net 2.3-2.6%，其双路径设计显著增强对噪声的免疫能力，尤其在32阵元稀疏配置下仍保持0.8以上的SSIM。

3.5 仿体实验
组织模拟琼脂仿体显示，32阵元GE-CNN重建图像信噪比接近128阵元DAS水平，TiO₂
散射介质(μ_s
=1.5 mm^-1
)中的铅笔靶标轮廓清晰度提升300%。

3.6 活体肝脏成像
最大振幅投影(MAP)图像证实，32阵元GE-CNN重建的血管网络连续性优于标准128阵元DAS，局部信噪比提升5.5%，为微血管(直径<200 μm)可视化提供新可能。

该研究突破性地平衡了计算效率与成像质量：通过物理模型引导的轻量化网络设计(仅666.39k参数)，将传统模型矩阵的存储需求从8.38 GB降至2.09 GB。这种"以算法补硬件"的思路，不仅使低成本PMUTs(压电微机械超声换能器)和光纤传感器的应用成为可能，更推动PAT技术在术中导航、可穿戴监测等场景的实用化进程。未来通过融合多频段阵列数据，有望进一步解决有限视角导致的血管截断问题，为功能分子成像开辟新途径。