《Measurement》：Deep learning pipeline for sparse photoacoustic signal denoising and reconstruction
编辑推荐：
•DL-PAT采用了一个双域解耦框架，在极端稀疏和有限视角条件下实现高保真度的光声重建。•通过真实的硬件噪声和无偏基线进行训练，信号域模块能够抑制结构伪影，并将信噪比(SNR)提高9.86分贝。•边缘自注意力模块在保留细节的同时减少了伪影。•仅使用32个传感器或90°的视角，就能
- •
DL-PAT采用了一个双域解耦框架，在极端稀疏和有限视角条件下实现高保真度的光声重建。
- •
通过真实的硬件噪声和无偏基线进行训练，信号域模块能够抑制结构伪影，并将信噪比(SNR)提高9.86分贝。
- •
边缘自注意力模块在保留细节的同时减少了伪影。
- •
仅使用32个传感器或90°的视角，就能达到256个传感器级别的质量，实现接近实时的推理（<60毫秒/帧）。
引言
多光谱光声层析成像(PAT)结合了光学成像的分子对比度和超声波的穿透深度[1][2]。通过非侵入性地可视化由光吸收驱动的病理生理过程，PAT在体内成像解剖结构、代谢和肿瘤方面显示出显著的应用价值[3][4][5][6]。然而，PAT的实际应用往往受到数据采集限制的制约。尽管高保真成像通常需要密集的换能器阵列和高速多通道采样[7][8]，但物理空间限制和高系统成本常常迫使使用稀疏检测。在这些条件下，传统的分析重建算法（如延迟求和(DAS)往往会显著降低性能[9][10]。具体来说，电气噪声和数据采样不完全会引入复杂的空间伪影，这些伪影会掩盖微弱的光声信号，最终降低整体图像质量[11][12][13][14]。
深度学习(DL)的最新进展显著增强了PAT在降噪[13][15]和稀疏视图重建[16][17][18][19][20][21][22]方面的能力。然而，现有方法试图使用不透明的、单体架构同时解决噪声干扰和复杂的声学物理问题，这面临着关键瓶颈。对于信号去噪，当前方法需要实验上无法获得的配对体内数据集[8][10]，导致未缓解的传感器噪声在空间变换过程中非线性地累积为结构伪影。同样，在空间重建方面，DL模型的泛化能力受到其对合成训练数据的依赖和体内样本多样性不足的限制[17][20][23]。此外，大多数现有的稀疏视图框架缺乏可调的速度声(SOS)机制，这限制了它们对声学变化的适应能力[17][23]。结合计算负担阻碍了实时应用，传统的端到端模型往往缺乏动态体内成像所需的结构性适应性[24]。此外，由于原始传感器噪声和空间伪影在数据处理的不同阶段出现，尝试同时解决这些问题通常会降低网络效率[25]。这突显了一个解耦的两阶段框架的实际效用。通过系统地将信号去噪与后续的图像重建分开，这种方法提供了一种健壮且计算效率高的高保真光声成像方法。
在这里，我们介绍了深度学习管道用于PAT(DL-PAT)，这是一个基于物理原理的两阶段框架，通过有意的域解耦实现实时、高保真度的重建。在第一阶段，信号域去噪器直接在原始传感器域内抑制设备特定的电气噪声。为了避免引入结构偏差，去噪模块通过一种混合数据策略进行训练[13]。具体来说，这涉及将实验测量得到的设备噪声叠加到从自然图像合成的完全无噪声的声学基线上。
去噪后，DL-PAT使用基于换能器几何形状的确定性延迟操作将数据映射到图像域，从而减少残余传感器噪声向结构伪影的传播。然后，这些映射数据由第二阶段网络处理，该网络包含一个边缘引导的空间仿射重采样(ESA)模块，以恢复准确的初始声压分布。此外，为了适应目标之间的声学变化，这一阶段采用了离散的全局SOS调节机制，允许在实时采集过程中快速选择SOS以支持高质量重建。我们在多种体内目标（小鼠头部、腹部、后肢和肿瘤）上对DL-PAT进行了广泛验证，即使在稀疏配置下（仅使用32个传感器），其重建的细节也与完全采样的256个传感器硬件相当。在所有设置中，它始终能够恢复与完全采样硬件相当的结构细节。通过完美平衡伪影去除、物理适应性和接近实时的推理，DL-PAT为动态光声成像提供了健壮且可扩展的解决方案。
章节片段
光声层析成像系统
动物MSOT成像使用的是iThera Medical GmbH（德国）的MSOT inVision ECHO扫描仪，其技术参数和应用已在先前的研究中详细报道[26]。该系统配备了一个可调的多波长激光器，波长范围为660–1300纳米，能够以小于10纳秒的脉冲宽度、20赫兹的重复率发射短脉冲，提供高空间和时间分辨率的光声激发。
DL-PAT的开发和表征
DL-PAT管道的整体工作流程如图1所示。DL-PAT包括两个连续的模块：信号域去噪和图像域重建。对于预定义或先前选择的SOS，整个管道每张图像大约需要56.4毫秒，包括mUNet去噪、确定性延迟求和映射、SOS编码和E-UNet重建。如图1a所示，体内PA数据集包括使用
讨论
PAT图像质量受到获取的声学数据的信噪比(SNR)和重建质量的限制，尤其是在稀疏采集条件下。稀疏采样可以降低硬件复杂性、系统成本和采集时间[2][21]。然而，传统的反向投影(BP)重建在稀疏视图和有限视角条件下可能会产生严重的伪影和结构模糊[28][36][37]。因此，开发了DL-PAT来在这些限制下改进重建效果。使用32个传感器
结论
DL-PAT提供了一个健壮且通用的框架，用于在稀疏视图和有限角度条件下实现高保真度的光声重建。通过集成去噪、ESA和SOS模块，它能够在使用最少传感器的情况下实现接近全视场的图像质量，并支持接近实时的推理。这种方法为缓解硬件受限的PAT系统中的图像质量下降提供了一种可行且健壮的策略，从而提高了受限采集条件下的重建可靠性
CRediT作者贡献声明
范颖：撰写 – 审阅与编辑，撰写 – 原始草稿，可视化，验证，方法论，概念化。冯婷：撰写 – 审阅与编辑，监督，资源，概念化。Abudula Aji：江立波：撰写 – 审阅与编辑，可视化。陶迪：撰写 – 审阅与编辑，监督，资源，概念化。
利益冲突声明
作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了中国国家自然科学基金（资助编号：12374432和12034005）的支持。MSOT Acuity ECHO扫描仪的图标改编自iThera Scientific GmbH。
范颖|冯婷|Abudula Aji|江立波|陶迪
