基于解码器增强的无监督域适应框架实现合成到真实定量光声层析成像的跨域迁移

为解决定量光声层析成像(qPAT)中吸收系数(μa)标注困难的问题，研究人员提出解码器增强域适应(DDA)框架，通过对抗学习实现合成数据到无标记目标域的知识迁移。实验表明DDA显著提升目标图像估计性能，在合成-合成和合成-真实域适应中均优于CycleGAN等方法，并通过仿射参数微调(AP-FT)技术仅需2个标记样本即可校正跨域吸收特性不匹配。该研究为深度学习在qPAT中的实际应用提供了新思路。

　　

在生物医学成像领域，定量光声层析成像(qPAT)因其兼具光学对比度高和超声分辨率好的优势，已成为监测血红蛋白氧饱和度(sO₂)等生理参数的重要工具。然而这项技术面临一个根本性挑战：准确重建组织吸收系数(μ_a)需要解决高度病态的非线性逆问题。传统基于模型优化的方法如两步迭代算法(TSIA)虽有一定效果，但严重依赖光传输建模精度且计算耗时。深度学习为这一问题带来新希望，但获取实验数据中μ_a的真实标注异常困难，而合成数据训练的模型又面临严重的"合成-真实"域差距问题。

上海交通大学的研究团队在《Photoacoustics》发表的研究中，创新性地提出了解码器增强域适应(DDA)框架。这项研究通过设计包含编码器(E)、预测器(P)和目标域解码器(R)的网络架构，结合特征空间和像素空间的双重对抗学习，成功实现了合成数据到无标记实验数据的知识迁移。关键技术包括：基于MCXLAB工具箱的光传输蒙特卡洛模拟、k-Wave声学仿真、特征空间对抗判别器(D_f)设计、以及创新的仿射参数微调(AP-FT)方法。研究使用数字体模、琼脂体模和活体小鼠三类数据验证性能，其中小鼠数据通过MSOT系统(inVision256)采集15个波段的图像。

在合成到合成域适应研究中，研究人员首先构建了4000个包含5个随机形状包含物的数字体模。结果显示，DDA将目标域测试图像的MAE从基线模型的12.70×10^-3降至1.60×10^-3，tPSNR从11.50提升至24.80。t-SNE可视化证实DDA学习的特征空间实现了良好的域对齐。通过设计参数不匹配(MP)和分布类型不匹配(MT)两组实验，研究发现跨域吸收特性相似性对UDA效果具有决定性影响：当源域和目标域μ_a分布区间偏移时，估计值会产生系统性偏差；而分布类型不匹配则导致高低估并存的现象。

针对这一问题，研究提出的AP-FT技术展现出强大优势。实验表明，仅需2个标记的目标样本对归一化层仿射参数进行微调，即可将MP设置下的MAE从8.90×10^-3降至2.55×10^-3。这种"轻量级"微调策略在保持网络主体参数不变的情况下，有效校正了系统偏差，且计算成本仅为传统微调的1.6%。

在更具挑战性的合成到真实实验中，DDA同样表现优异。琼脂体模实验显示，DDA估计的μ_a图像与参考值的MAE为0.97×10^-2，优于CycleGAN的1.07×10^-2。特别值得注意的是，在活体小鼠实验中，DDA成功恢复了深层血管信号，使原始p₀图像中几乎不可见的血管在μ_a图像中清晰显现。通过线性光谱解混获得的sO₂图显示，DDA估计的血管sO₂值更符合生理范围，肾脏区域也表现出更好的均匀性。

这项研究的创新价值主要体现在三个方面：其一，DDA框架首次实现了qPAT领域合成数据到真实数据的有效迁移，解决了标注数据匮乏的瓶颈问题；其二，首次系统分析了标签分布相似性对UDA效果的影响规律，为合成数据生成提供了重要指导原则；其三，AP-FT技术以极低标注成本显著提升了定量准确性，为临床应用中可能遇到的域偏移问题提供了实用解决方案。未来随着生物组织光学特性数据库的完善和成像分辨率的提升，该方法有望进一步应用于微血管等精细结构的定量研究，推动qPAT技术在肿瘤检测、药物代谢监测等领域的实际应用。