基于结构先验的迭代优化算法在光声成像伪影去除中的应用研究

本研究针对光声成像(PAI)中稀疏阵列或有限视角导致的伪影问题，提出了一种基于结构先验的迭代优化方法(RISP)。该方法通过随机选取部分阵列元素生成概率矩阵作为结构先验，结合正则化迭代优化，显著降低了图像伪影和噪声。实验证明，RISP在保持定量精度的同时，大幅提升了图像质量，为临床PAI系统提供了高效可靠的解决方案。

　　

光声成像（Photoacoustic Imaging, PAI）作为一种新兴的生物医学成像技术，结合了光学成像的高对比度和超声成像的高穿透深度优势，在血管成像、肿瘤检测和脑成像等领域展现出巨大潜力。然而，在实际应用中，PAI系统往往受到传感器数量不足或采集角度有限的限制，导致重建图像中出现伪影和噪声，严重影响图像质量。特别是在三维PAI系统中，这一问题更为突出。传统的迭代重建（IR）方法虽然能改善图像质量，但计算成本高昂，难以应用于大规模三维成像。此外，现有的深度学习方法虽然提高了计算效率和图像质量，但对大规模专业数据集的依赖限制了其临床应用。

针对这些问题，研究人员开展了一项创新性研究，提出了一种基于结构先验的迭代优化方法（Regularized Iteration Method with Structural Prior, RISP）。该方法通过随机选取部分阵列元素生成多幅重建图像，构建概率矩阵作为结构先验，指导正则化迭代优化过程，从而在不重复求解正向模型的情况下，有效平衡计算成本和伪影去除性能。研究通过仿真和活体实验验证了RISP的优越性，相关成果发表在《Photoacoustics》上。

研究主要采用了以下关键技术方法：首先，通过随机选择部分阵列元素生成多幅重建图像，构建概率矩阵；其次，利用该矩阵作为结构先验，设计包含数据一致性损失和正则化损失的目标函数；最后，采用Adam优化器进行迭代优化。实验数据包括仿真的人手血管模型和真实动物及人体PAI数据。

研究结果分为以下几个部分：

1. 3D PAI图像重建：在半球形阵列系统的仿真实验中，RISP显著减少了伪影，保留了血管结构的细节。与传统的UBP算法相比，RISP优化后的结果在PSNR和SSIM指标上均有显著提升。
2. 2D PAI图像重建：在环形阵列系统的仿真实验中，RISP有效抑制了噪声和伪影，增强了小血管的可见性。
3. 人体PAI研究：在合成矩阵阵列系统的实验中，RISP在去除伪影的同时，保持了血管结构的完整性，CNR指标优于其他方法。

研究结论表明，RISP方法通过结构先验和正则化迭代优化，显著提升了PAI图像的质量，尤其在稀疏视角条件下表现出色。该方法不仅适用于多种重建算法（如DAS或UBP），还能适应不同的检测配置，具有广泛的临床应用潜力。未来研究将进一步优化RISP的速度和质量，并探索其在超声成像和CT等领域的应用。

这项研究为PAI图像重建提供了一种高效、通用的优化策略，为解决临床实践中的伪影和噪声问题提供了新思路，对推动PAI技术的临床应用具有重要意义。