基于均值回复生成扩散模型的增强型光声断层成像技术

为解决稀疏投影条件下光声断层成像(PAT)重建质量差的问题，研究人员开发了基于均值回复扩散模型的投影域数据重建方法。该方法通过模拟随机微分方程(SDE)的正反向过程，将16个极稀疏投影数据恢复至完整投影数据，在"T"形样本测试中较Cycle-GAN和U-Net分别提升投影域峰值信噪比16.46 dB(～69.2%)和0.86 dB，显著降低PAT系统硬件成本与采集时间。

　　

在生物医学成像领域，光声断层成像(PAT)技术因其兼具光学成像的高对比度和超声成像的深穿透优势而备受瞩目。这项技术在血管疾病检测、乳腺癌筛查、神经功能研究等领域展现出巨大潜力。然而在实际应用中，受限于超声换能器阵列数量、检测角度和带宽等因素，稀疏采样条件下的PAT重建图像往往存在严重伪影、分辨率低等问题。传统滤波反投影(FBP)等算法在非理想场景下表现欠佳，而基于深度学习的卷积神经网络(CNN)方法又面临配对数据获取困难的瓶颈。

针对这一挑战，江西省主要学科带头人培养计划支持的研究团队创新性地提出了基于均值回复生成扩散模型的投影域重建方法。该研究通过模拟随机微分方程(SDE)从高质量图像(全视角投影数据)到低质量图像(稀疏视角投影数据)的正反向过程，实现了无需特定任务先验知识的稀疏数据恢复。相关成果发表在《Optics》期刊上。

研究采用四大关键技术：1)构建包含血管模拟数据、圆形仿体数据和动物活体实验数据的多模态数据集；2)设计均值回复扩散模型模拟SDE过程；3)在真实PAT系统采集的"T"形样本数据上进行极稀疏(16投影)测试；4)采用峰值信噪比(PSNR)定量评估投影域重建质量。

在"结果"部分，血管模拟数据测试显示，随着迭代次数增加，投影数据及其反投影图像清晰度显著提升。与传统方法相比，该方法在16个极稀疏投影条件下仍能保持良好重建效果。"T"形样本实验结果证实，该方法投影域PSNR较Cycle-GAN和U-Net分别提升16.46 dB和0.86 dB。

"结论"部分指出，该研究首次将均值回复扩散模型应用于PAT投影域重建，突破了传统方法在稀疏采样下的性能瓶颈。其重要意义在于：1)显著降低PAT系统硬件成本，16个投影即可达到传统64投影的成像效果；2)缩短数据采集时间，有利于临床实时成像；3)为其他医学影像稀疏重建提供新思路。研究同时获得国家自然科学基金(62265011)和国家重点研发计划(2023YFF1204300)等多项资助支持。

研究团队Jiahong Li和Jiawen Hu等人在"讨论"中强调，该方法不依赖特定先验知识的特点使其具有更广的适用性。未来工作将聚焦于将该技术推广至有限视角重建等更多临床场景，并进一步优化计算效率以满足实时成像需求。