基于均值回归扩散模型的声学分辨率光声显微镜分辨率增强技术

Mean-reverting diffusion model-enhanced acoustic-resolution photoacoustic microscopy for resolution enhancement: Toward optical resolution

Yiyang Cao, Shunfeng Lu, Cong Wan, Yiguang Wang, Xuan Liu, Kangjun Guo, Yubin Cao, Zilong Li, Qiegen Liu, and Xianlin Song

https://doi.org/10.1142/S1793545824500238

光声显微镜（PAM）作为一种结合了光学成像高空间分辨率与超声成像深度穿透能力的成像技术，在生物医学领域备受关注。然而，声学分辨率光声显微镜（AR-PAM）由于声学衍射的影响，其横向分辨率受限。近期，一项发表于《Journal of Innovative Optical Health Sciences》的研究提出了一种基于均值回归扩散模型的分辨率增强策略，有望将 AR-PAM 的分辨率从声学分辨率提升至接近光学分辨率，为光声成像技术的发展带来了新的突破。

研究背景

光声显微镜（PAM）在肿瘤检测、皮肤科和血管形态评估等领域有着广泛的应用。PAM 分为光学分辨率光声显微镜（OR-PAM）和声学分辨率光声显微镜（AR-PAM）。OR-PAM 利用光学检测方法，能够实现小于 5 微米的横向分辨率和出色的成像质量，但其成像深度受限于生物组织中的光散射，通常不超过 1-2 毫米。相比之下，AR-PAM 由于其声学特性，能够在生物组织中实现更深的穿透（约 3-10 毫米），但横向分辨率降低（大于 50 微米），背景噪声增加，影响图像对比度和整体质量。因此，开发一种能够在不牺牲成像深度和保真度的情况下实现更高横向分辨率的 AR-PAM 成像系统，对于推动 PAM 系统的发展和应用具有重要意义。

研究方法

研究团队提出了一种基于均值回归扩散模型的分辨率增强策略。该策略通过模拟从高分辨率图像到低分辨率 AR-PAM 图像的退化过程，并引入稳定的高斯噪声（即均值状态），训练均值回归扩散模型以学习数据分布的先验信息。然后，利用所学的先验信息，通过迭代采样噪声状态，从 AR-PAM 图像生成高分辨率图像。研究中使用了模拟数据和活体实验数据来验证所提方法的性能，这些数据在不同的横向分辨率和噪声水平下进行了测试。

实验结果

实验结果表明，该方法在横向分辨率上实现了超过 3.6 倍的提升。对于活体数据，图像质量得到了有效改善，峰值信噪比（PSNR）提高了约 66%，结构相似性（SSIM）提高了约 480%。此外，该方法在不同噪声水平和横向分辨率条件下均表现出良好的适应性和鲁棒性，即使在极端条件下（如信噪比为 15 分贝），也能有效地从低质量图像中恢复出高质量的图像。

Fig. 8. Result of resolution enhancement for large-scale AR-PAM image. (a) shows the enhancement result of the input image with the SNR of 35 dB and the FWHM of 55μm. (b) shows the corresponding input image. (c) shows the ground truth (OR-PAM image), (a1)–(d3) are the close-up images of the white dashed boxes 1–4 in the corresponding image.

主要创新点

1.均值回归扩散模型的应用**：首次将均值回归扩散模型应用于 AR-PAM 图像的分辨率增强，通过模拟从高分辨率图像到低分辨率图像的退化过程，并利用所学的先验信息进行图像恢复，有效提升了图像的横向分辨率。

2.强大的噪声鲁棒性**：该方法在不同噪声水平下均能保持良好的性能，即使在低信噪比条件下，也能有效地从噪声中恢复出清晰的血管结构，显示出强大的噪声鲁棒性。

3.广泛的适用性**：通过在不同横向分辨率和噪声水平下的测试，证明了该方法对不同成像条件的适应性，为实际应用中的多样性和复杂性提供了保障。

应用前景

这项技术为 AR-PAM 的分辨率提升提供了新的思路和方法，有望在生物医学成像领域得到广泛应用。例如，在肿瘤检测中，更高的分辨率可以帮助更清晰地观察肿瘤血管的细节，从而更准确地评估肿瘤的生长和转移情况；在皮肤科应用中，能够更细致地观察皮肤微血管的变化，有助于早期诊断皮肤疾病；在血管形态评估中，可以更精确地测量血管的直径和分支情况，为心血管疾病的研究和诊断提供更有力的支持。此外，该技术还可以推广到其他需要高分辨率成像的领域，如神经科学研究中的脑血管成像等。

结语

本研究提出的基于均值回归扩散模型的分辨率增强策略，为 AR-PAM 的分辨率提升提供了一种有效的解决方案。通过模拟图像退化过程和利用扩散模型的先验信息，该方法不仅显著提高了 AR-PAM 图像的横向分辨率，还展现出良好的噪声鲁棒性和广泛的适用性。未来的研究将进一步探索该方法在实时成像中的应用潜力，并结合更多的实际成像数据来进一步优化模型性能，以期在临床诊断和生物医学研究中发挥更大的作用。

通讯作者简介

宋贤林，南昌大学信息工程学院副教授，长期从事智能光电成像新方法、新技术的研究，在人工智能、光学成像、光声成像、超分辨成像等领域具有深入的研究。

更多详情见https://teacher.ncu.edu.cn/publish/092669/index.html