高维去噪自编码器先验引导的生成深度学习技术，能够在极有限的视图采样条件下实现更优越的光声断层成像效果

《Optics & Laser Technology》：High-dimensional denoising autoencoder priors-guided generative deep learning enables superior photoacoustic tomography at ultra-limited-view sampling

　　方浩然|郑志远|张天秀|李家红|刘国林|李子龙|马书豪|魏海鹏|侯尚坤|徐汉臣|刘切根|宋先林 中国南昌大学信息工程学院，南昌330031 **摘要** 由于实际数据采集角度的限制，光声断层成像（Photoacoustic Tomography, PAT）通常在有限视野的情况下进行。这种限制在使用传统图像重建算法时会导致图像质量显著下降。为了解决这个问题，本文提出了一种结合小波驱动的多模型多通道去噪自编码器的有限视野PAT重建方法。该方法利用小波变换提取特征先验信息，并集成多模型多通道去噪自编码器以确保相关图像先验梯度的稳定学习，这些先验梯度作为迭代重建的约束条件。通过圆形幻影实验、体内小鼠实验以及涉及嵌入鸡胸组织和体内小鼠下腹部血管组织的实际系统测试，验证了所提出方法的优越性能。特别是在75°的极端有限视野情况下，该方法与DAS方法相比表现出色。在涉及嵌入鸡胸组织和体内小鼠下腹部血管组织的实验中，提出的方法使PSNR和SSIM分别提高了114.52%和8.20%，基于边缘强度的分数增强了10.49%。验证结果表明，所提出的方法能够在有限视野情况下成功重建高质量的PAT图像，并且适用于实际系统的集成。 **引言** 光声断层成像（PAT）作为一种非侵入性的混合医学成像技术，已成为生物医学研究的新前沿。PAT技术基于光声效应，即生物组织在吸收光能后产生光声信号[1]、[2]、[3]、[4]、[5]。该技术巧妙地结合了光学成像的高对比度特性和超声成像的深度穿透能力[6]、[7]、[8]、[9]，因此在早期肿瘤检测、治疗效果监测和功能成像等方面展现出显著的应用潜力和发展前景[10]、[11]、[12]、[13]、[14]。 PAT成像过程是通过使用短脉冲激光照射生物组织开始的。当组织中的分子吸收光子时，会发生局部热膨胀，从而激发超声波，即光声信号。光声信号由超声换能器捕获，然后经过一系列复杂的信号处理和图像重建算法处理，转换为显示组织内光吸收分布的图像[15]、[16]、[17]、[18]。由于光声信号的强度与组织的光吸收量成正比，PAT可以提供关于组织光学特性的重要信息，从而揭示其功能和结构特征[19]。尽管PAT技术在理论上具有巨大潜力，但在实际成像应用中经常面临设备性能的限制和成像环境的约束，导致成像数据的采集受到特定视野的限制，这通常被称为有限视野成像[20]、[21]、[22]、[23]。有限角度成像的挑战在于从不完整的信息中提取高质量图像，这一过程在数学上被视为一个病态问题（ill-posed problem），其解可能是非唯一的或不稳定的[24]、[25]。 虽然传统的重建技术如时间反转（Time Reversal, TR）[26]、延迟求和（Delay-and-Sum, DAS）[27]、基于快速傅里叶变换的级数展开（Series Expansion, SE）[28]和滤波反投影（Filtered Back Projection, FBP）[29]为PAT图像重建提供了直接途径，但在处理有限视野数据时往往会导致图像质量较差。此外，这些方法可能引入伪影，并难以有效捕捉图像细节。为了解决这一关键问题，研究人员提出了多种研究方案。特别是迭代算法在处理不完整数据方面表现出明显优势，并能减少伪影[30]、[31]、[32]、[33]、[34]、[35]。许多研究者提倡引入Tikhonov正则化和总变分正则化来优化解的平滑性，从而提高重建图像的整体质量[36]、[37]、[38]、[39]。尽管上述方法在某种程度上取得了进展，但它们也存在明显不足。本质上，这些方法都需要关于图像稀疏性、平滑性和结构特征的精确先验信息来进行处理[40]。然而，由于先验信息的固有不稳定性以及实际应用中计算资源和数据量的限制[41]，准确获取大量先验信息仍然具有挑战性。仍需要创新方法来进一步提高有限视野PAT重建的质量。 近年来，随着深度学习的快速发展，基于深度学习的图像后处理方法也开始应用于有限视野图像的重建，为PAT带来了新的机遇。高等人开发了Y-Net模型，该模型在最小化噪声和伪影的同时更好地保持了目标结构[42]。关等人提出了Pixel-DL方法，提高了计算效率并增强了图像质量[43]。Kalare和Bajpai设计了RecDNN，该模型包含三个深度学习网络，利用跳跃连接来保留重要的空间信息，从而确保重建图像的纹理和对比度[44]。Farnia等人提出将TR与卷积神经网络（Convolutional Neural Network, CNN）结合使用，有助于减少伪影和数据采集时间[45]。Tong等人引入了FPnet网络架构，利用数据驱动学习来提升重建结果[46]。然而，在后处理重建中需要大量的配对数据集进行训练，这在实践中是一个重大挑战。因此，近年来备受关注的生成对抗网络（Generative Adversarial Networks, GANs）在研究领域变得更为活跃。GAN主要由生成器和鉴别器组成，通过同时优化两个组件来生成高质量图像。Lu等人提出了一种基于CycleGAN的图像域变换方法PA-GAN，利用无监督学习去除PAT图像中由有限视角测量数据引起的伪影[47]。Joseph等人提出了ResGAN网络，通过GANs去除欠采样噪声并恢复复杂成像结构中的高分辨率信息，证明了其可行性和最优性。ResGAN学习了被显著干扰掩盖的低频特征，并利用残差网络的特性获取更深层次的信息，从而实现高质量重建。