南昌大学在高分辨率光声显微成像方面获得突破

此外，图 2 呈现了 PAM 稀疏重建的具体流程，该流程分为训练与重建两个核心阶段：在训练阶段（图 2（a）上半部分），全采样 PAM 图像与稀疏采样 PAM 图像被作为输入数据传入网络；鉴于 IR-SDE（改进型随机微分方程）在正向与逆向扩散过程中存在封闭形式解，可基于此解计算时间相关的真实分数函数，进而通过神经网络训练实现对该分数函数的估计；同时，网络通过学习目标数据集的先验分布，具备预测任意时刻分数以近似真实分数函数的能力。在重建阶段（图 2（a）下半部分），输入待恢复的初始稀疏采样数据后，利用已训练完成的网络模型预测当前时刻的噪声，从而得到噪声分数；随后通过求解逆向 IR-SDE，从含噪的低质量稀疏采样 PAM 图像出发，

研究团队采用仿真血管数据、以及实际PAM系统获取的数据，对所提方法的性能展开了全面深入的评估。图3展示了仿真血管在不同方法，不同稀疏采样步长条件下的最大投影图重建结果，对比了RL Deconv、Cycle-GAN、U-Net与所提的IR-SDE方法的重建效果。结果显示：即使在极稀疏的16倍稀疏步长下（有效像素占比约 0.4%），所提方法的PSNR达到24.22dB，SSIM达到0.742；较U-Net，PSNR提升11.51dB，SSIM提升0.597；较Cycle-GAN，PSNR提升9.9dB，SSIM提升0.461；较RL Deconv，PSNR提升13.63dB，SSIM提升0.521。从图 3 (e) 和 3 (f) 的局部放大图可见，RL Deconv 法、CycleGAN 法和 U-Net 法在不同稀疏采样步长下重建的血管图像，细节表现均相对较差，与真值图像（GT）存在明显差异。在相同条件下，所提出的改进型随机微分方程（IR-SDE）方法展现出显著优势：即便在 16 倍稀疏采样步长下，该方法仍能成功重建出更清晰、平滑的血管结构，且在绿色箭头标注区域内有效恢复了血管细节与分支，从而克服了其他方法存在的重建缺陷。研究团队通过基于均值回归扩散模型的迭代策略，实现了极稀疏采样步长条件下的高质量重建，为获取更高质量的PAM图像提供了支持。

 

图4. 实际系统数据的实验结果。