圖1. 基于擴散模型方法的有限視角下PAT重建流程圖

光聲斷層成像(PAT)是一種新型的混合醫學成像技術，可以實現不同空間尺度下生物組織結構的精確成像，已廣泛應用于各領域，包括腦成像、癌癥檢測和心血管疾病診斷等。然而，由于數據采集條件的限制，光聲斷層成像系統通常只能以有限的探測視角收集光聲信號，這必定會導致光聲斷層成像圖像質量下降。如何在有限視角采樣下實現高質量重建一直是PAT亟需解決的問題。

近日，來自南昌大學成像與視覺表示實驗室研究團隊提出了一種基于分數擴散模型的有限視角下的高質量光聲斷層成像。該成果以“Score-based generative model-assisted information compensation for high-quality limited-view reconstruction in photoacoustic tomography”為題發表于光聲領域頂級期刊Photoacoustics。

主要研究內容

研究團隊提出了一種基于分數擴散模型的光聲斷層成像重建方法。在訓練階段，模型通過逐步向現有樣本中添加噪聲來學習樣本的數據分布。在重建階段，該方法將擴散模型學習到的有關圖像重建的先驗信息作為迭代重建算法中的正則化項，通過循環迭代可以實現有限視角下的高質量光聲斷層成像。

作為驗證，研究團隊使用圓形仿體和活體小鼠實驗數據對所提方法的性能進行了評估。在圓形仿體重建實驗中，將該方法與傳統的延遲求和方法(DAS)、無正則化項的梯度下降法(GD)、帶有Tikhonov正則化項的梯度下降法、U-Net方法以及GAN方法進行了比較，結果如圖2所示。所提方法在不同有限視角情況下，所提方法的重建結果均顯示出更高的質量和更清晰的輪廓。在70°有限視角下，所提方法重建結果的峰值信噪比(PSNR)和結構相似性(SSIM)分別達到了31.57dB,0.95,相比于延遲求和方法分別提高了203%和48%。

圖2. 圓形仿體的重建結果

從仿體小球和活體小鼠(實驗數據)的實驗結果來看，該方法依然具有良好的表現(圖3)。特別地，在極有限的探測視角下(如90°有限視角)，該方法顯著優于U-Net方法。在活體小鼠實驗中，該方法在90°有限視角的重建圖像SSIM/PSNR可達到0.80/29.18 dB，相較于U-Net方法，PSNR提高了64%，SSIM提高了48%。

圖3. 不同探測視角下活體數據的重建結果

結論與展望

該研究提出了一種新的基于分數擴散模型的有限視角下的高質量光聲斷層成像策略。該方法將PAT的物理模型與擴散模型相結合，在基于模型的迭代過程中引入擴散模型深度網絡學習到的高維先驗信息。該方法顯著改善了成像質量，該方法有效地解決了PAT中因有限視角采樣導致的成像質量下降的問題，具有加速PAT成像速度和擴展其應用范圍的潛力。

南昌大學郭康俊、碩士生鄭志遠、碩士生鐘文華，碩士生李子龍為文章共同第一作者，劉且根教授，宋賢林副教授為共同通訊作者。該研究得到國家自然科學基金委、江西省重點研發項目的資助。

審核編輯 黃宇