基于尺度等变模型的多光谱光声成像重建方法提升图像质量与血氧定量精度

针对光声成像中因信号强度波动导致的图像重建质量不稳定问题，研究人员提出尺度等变模型重建方法（Scale-equivariant MB），通过L2 归一化自动调节正则化强度，显著提升多光谱光声断层扫描（MSOT）的血氧饱和度（sO2 ）量化精度，并简化深度学习模型的训练流程，为临床精准成像提供新范式。

　　

光声成像技术凭借其高分辨率和功能成像能力，在生物医学领域展现出巨大潜力。然而，多光谱光声断层扫描（MSOT）在实际应用中面临一个关键挑战：由于不同解剖部位、波长或硬件差异导致的信号强度波动，使得传统模型重建（MB）方法难以通过固定正则化参数实现稳定成像。这种波动不仅影响图像对比度，还会导致血氧饱和度（sO₂
）等定量指标的误差，成为制约临床转化的重要瓶颈。

为解决这一问题，来自德国慕尼黑工业大学的Christoph Dehner团队在《Photoacoustics》发表研究，提出尺度等变模型重建方法（Scale-equivariant MB）。该方法通过数学推导证明，将输入正弦图的L²
范数归一化后，只需单一正则化参数即可适应任意信号强度，同时保持重建算子的线性缩放特性。研究团队通过体模实验和4814例人体数据验证，发现该方法不仅提升图像质量，还将血氧定量误差降低至4.97%（传统方法为5.00%）。更关键的是，这种尺度不变性显著简化了深度学习模型的训练过程——通过固定输入范数，使DeepMB框架的训练误差降低21%，为实时高质量成像提供了新思路。

关键技术包括：1）基于剪切波L¹
正则化的模型重建算法；2）6名健康志愿者多部位（甲状腺、颈动脉等）的4814组MSOT数据验证；3）33种sO₂
水平的仿体实验；4）结合Dual Integrating Spheres系统的光学特性标定。

4.1 改进的正则化
研究通过L²
归一化实现自适应正则化：对高信号正弦图（||s||₂

1100）增强抑制伪影能力，对低信号（||s||₂
<1100）保留弱信号对比度。体模实验显示，该方法使sO₂
预测均方根误差（RMSE）降至4.97，优于传统方法（5.00）。

4.2 改进的监督学习
尺度等变性使DeepMB训练集的数据分布更集中。测试显示，归一化后的输入使平均绝对误差（MAE）降低21%（0.59 vs 0.75），血氧预测RMSE改善7%（5.20 vs 5.61），证明该方法显著提升深度学习模型的泛化能力。

该研究开创性地将数学等变性与医学成像结合，其核心突破在于：1）通过理论推导证明L²
归一化与剪切波正则化的兼容性；2）首次实现不依赖信号强度的"一键式"高质量重建；3）为多中心研究提供标准化预处理方案。尽管在有限角度采集等挑战上仍有改进空间，但该方法已显著降低临床应用的调参复杂度，为MSOT在肿瘤检测、炎症监测等场景的精准定量铺平道路。研究公开的MATLAB代码（GitHub）更推动该技术快速普及，标志着计算光声学进入智能化新阶段。