Photonics Insights 2024年第3期综述：
论文信息：Chao Tian, Kang Shen, Wende Dong, et al. Image reconstruction from photoacoustic projections[J]. Photonics Insights, 2024, 3(3): R06
光声计算断层成像（Photoacoustic Computed Tomography, PACT）是一种快速发展的生物医学成像新技术，近年来引发了极大的关注和研究热潮。近期，中国科学技术大学田超教授联合北京协和医院杨萌教授、中国科学院自动化研究所田捷研究员等12位光声领域专家共同撰写了题为“Image reconstruction from photoacoustic projections”（由光声投影重建图像）的长篇综述论文并发表于Photonics Insights 2024年第3期。
该综述系统地梳理了近三十年来PACT图像重建方法所取得的重要成就，主要内容涵盖：光声断层成像前向问题、传统图像重建算法、智能图像重建算法、不同算法性能对比，以及该领域面临的重要挑战和未来发展方向等（如图1所示）。
“生物医学光声成像之父”、俄罗斯裔美国科学家Alexander A. Oraevsky教授特此为该综述撰写了点评论文（查看原文），他评价道“文章对PACT图像重构算法（从传统算法到机器学习算法）进行了深入精彩的比较分析，实例丰富、结构清晰、易于理解，这有助于大众读者更好地理解这一领域，从而促进光声/热声断层成像中新型算法的开发和应用”。我们相信，该综述不仅能为初学者和领域专家提供一份关于光声图像重建的完备参考指南，也可以为光声成像领域的进一步发展提供新思路和新见解。
图1 该综述涵盖的主要内容
1880年，Alexander Graham Bell发现光声效应，即材料被调制的光激发后可以产生声波信号。基于此原理，光声成像（Photoacoustic Tomography, PAT）利用短脉冲激光照射生物组织，激发超声信号，可以反映深层生物组织的结构、功能、分子和代谢信息。
PACT利用扩散光照明生物组织，可以在数厘米深度实现百微米空间分辨率，是PAT的重要实现形式。PACT的成像过程涉及前向和反向两个问题。其中，前向问题包括光声信号产生、信号传播和信号探测等物理过程，其可以利用球形或圆形Radon变换描述（如图2所示）；反向问题则是由探测的光声信号（正弦图）重建原始光声图像，其可以利用Radon逆变换描述（如图2所示）。
在前向问题中，光声信号的产生指的是脉冲激光照射成像物体，光能转化为热，进而激发出超声信号的过程。光声信号的激发需要满足热约束和应力约束两个条件。光声信号的传播指的是声波在复杂介质中的扩散过程，其可以利用一个二阶光声波动方程，或三个一阶方程（线性运动方程、线性连续性方程和热弹性方程）描述。在无损均匀介质中，光声波动方程可以利用格林函数法求得解析解。光声信号的探测指的是利用超声探测器捕捉从光声源向外传播的超声信号的过程。在实践中，通常需要利用探测器阵列从不同方向捕捉超声信号以重建原始光声图像。
图2 PACT成像中的前向过程（圆形Radon变换）和反向过程（圆形Radon逆变换）
在PACT成像中，探测器采集到的光声信号需要利用反演算法重建原始光声图像（即Radon逆变换），因此图像重建算法在PACT成像中扮演着重要角色。目前的光声图像重建算法可分为传统重建算法和深度学习重建算法两大类（如图3所示）。其中，传统图像重建算法主要包括延时求和（Delay and Sum, DAS）、滤波反投影（Filtered Back Projection, FBP）、级数展开（Series Expansion, SE）、时间反演（Time Reversal, TR）和迭代重建（Iterative Reconstruction, IR）五种。
图3 PACT图像重建算法发展历史上的重要事件
延时求和（DAS）算法来源于超声成像，其通过对每个探测器采集的原始信号进行延时求和重建图像。基础DAS算法简单、快速、鲁棒，但会产生较明显的旁瓣。后续出现的改进算法如延时相乘累加（DMAS）、短时滞空间相干（SLSC）、最小方差（MV）和相干因子（CF）等可以有效提高成像质量。
滤波反投影（FBP）算法是一种比DAS更加精确的算法，其先对测量的光声信号滤波，再反投影至图像域重建图像。在远场近似条件下，FBP算法可以通过反演线性Radon变换近似重建图像。当在反投影部分加入声压修正项后，FBP可以脱离远场近似条件，实现某些探测几何结构下的精确图像重建。
级数展开（SE）算法的核心思想是利用数学级数逼近待重建图像实现图像重建。由于其计算过程可借助快速傅立叶变换（FFT），SE算法可实现某些探测几何结构（如平面结构）下图像的高效重建。
时间反演（TR）算法通过反转声波传播模型，将探测器采集信号以时间倒序的方式重新传播至图像域实现图像重建。TR算法可以耦合生物组织的声学属性（如声速、密度、色散、吸收等），实现任意闭合探测几何结构下的图像重建，因此被认为是PACT成像中“限制条件最少”的图像重建算法。
迭代重建（IR）算法通过离散光声成像模型，构建线性方程组和系统矩阵，迭代重建图像。相比于其它算法，IR算法可以耦合成像系统的物理模型（如换能器响应、声学异质性等），在非理想情况（如稀疏视角、有限视角）下实现高质量图像重建。
除了上述的五种传统图像重建方法之外，深度学习（Deep learning, DL）算法近年来也被广泛应用于光声图像重建领域。DL算法通过训练神经网络，自动或半自动地将输入数据映射为输出图像（如图4所示）。具体而言，深度学习在PACT中的应用主要体现在数据域信号预处理、图像域图像后处理、混合域处理、学习迭代重建和直接重建等五大类。
图4 基于深度学习的智能光声图像重建算法
数据域信号预处理旨在通过神经网络增强原始光声投影数据，然后利用传统方法进行图像重建，解决非理想成像条件下原始光声数据不完备的问题。图像域图像后处理将深度学习作为一种图像增强工具，以传统方法重建的图像为输入，利用深度神经网络消除图像伪影，提高图像质量。
混合域处理同时融合了数据域预处理和图像域后处理，通过两个分支网络分别学习数据域和图像域的特征信息，并对这些特征进行深度融合，实现重建图像质量增强。学习迭代重建尝试将深度神经网络融入传统IR重建模型中，使用深度神经网络学习正则项或整个迭代过程，可实现图像重建质量和效率提升。直接重建通过构建单个深度神经网络，学习原始光声投影数据与重建图像之间的映射关系，可以实现由信号至图像的直接重建。
在图像重建性能方面，光声图像重建算法在理想成像条件下一般可实现较好的图像重建，但在非理想成像条件下，不同算法具有不同的重建性能。例如，当探测器具有有限带宽、有限孔径、采样稀疏和视角受限时，探测器采集的光声信号通常会存在畸变或数据缺失问题，多数算法难以有效解决该问题，但IR和DL可以通过修正系统矩阵或校正数据集实现高质量图像重建（如表1所示）。当生物组织存在较强声学异质性（如骨骼和空腔）时，DAS和FBP算法的重建结果容易受到影响，TR和IR算法可以将声学异质信息耦合至声场传播模型或系统矩阵实现高质量图像重建，DL算法则可以通过构建声速校正的数据集实现高质量重建（如表1所示）。
在图像重建速度方面，SE算法可以采用快速傅里叶变换，具有较DAS和FBP更高的计算效率和重建速度；TR算法本身的计算复杂性并不高，但由于需要逐步计算整个声场，导致重建速度下降；IR算法需要多次迭代计算构建的成像模型，重建速度最慢；DL算法根据是否涉及迭代模型具有不同的重建速度（如表1所示）。
在内存占用方面，DAS和FBP算法通常只需计算感兴趣的图像重建区域，所需内存最少，其次是SE和TR算法；IR算法通常由于系统矩阵尺寸巨大，具有最大的内存占用；DL算法的内存占用情况取决于网络结构是否涉及迭代过程，其中非迭代DL算法的内存占用少于IR算法，迭代DL算法的内存占用与IR算法相当（如表1所示）。
表1 不同图像重建算法在非理想成像条件下的性能比较
尽管目前在PACT图像重建算法方面已经取得重要研究进展，但仍面临许多重大挑战。例如：1）如何在探测器具有有限带宽、有限孔径的情况下实现高质量图像重建？2）如何在稀疏采样、有限视角的情况下实现高质量图像重建？3）如何提升IR的重建速度，实现实时二维和三维成像？4）如何构建大规模公开数据集用于DL神经网络构建？5）如何开发无监督DL图像重建算法？6）如何开发更强大的仿真工具，以产生逼近实验数据的训练数据？7）如何开发物理模型驱动的神经网络以增强DL方法的可解释性？针对以上问题，研究更先进的图像重建算法，对PACT成像技术的实际应用有重要意义。
总体来说，该综述系统总结了过去三十年PACT成像中的图像重建问题，包括前向问题、传统图像重建算法、智能图像重建算法、不同算法的性能对比、以及有待进一步解决的重大挑战等。该综述可以帮助读者更好地理解PACT成像中的图像重建问题，为初学者和领域专家提供一份完备的参考指南，并促进创新光声图像重建算法的进一步发展和应用。
田超，中国科学技术大学教授、博士生导师。长期从事光声成像、医学超声、医疗仪器研制及应用方面的研究，在高性能光声成像方面取得相关创新研究成果，入选美国光学学会评选的2018年全世界30个重要光学研究进展之一。获中国科大学术领军人才培养计划（2023）、国家基金委优秀青年科学基金（2021）、中国科学院引才计划（择优通过2019，终评优秀2023）等人才项目资助。
杨萌，中国医学科学院北京协和医院超声医学科主任医师、教授、博导、疑难罕见病全国重点实验室PI，国家杰青。北京协和医学院获得医学博士学位，斯坦福大学分子影像中心完成博士后研究工作。任中华医学会超声分会青年学组副组长、Photoacoustics 杂志编委等学术兼职。主要研究方向：多模态光-声成像设备及诊疗应用研发；肿瘤及炎性疾病的智能超声成像和多模态分子影像诊疗研究。
田捷，北京航空航天大学和中国科学院自动化所教授，工学博士。2002年获国家杰出青年基金，2007年获教育部长江学者；作为第一完成人在2002和2004两次获得国家科技进步奖，2010和2012两次获得国家发明奖，2012年获何梁何利奖，2017年获全国创新争先奖；连续入选科睿唯安全球“高被引科学家”名单和Elsevier医学科学高被引学者榜单（Google H因子118），2006和2011两次任科技部国家基础研究973项目首席；2012和2020两次主持国家自然科学基金委员会部委推荐重大科学仪器设备项目，曾担任IEEE TMI、TBE、JBHI等多种国际期刊编委；AAAS、IEEE、SPIE、AIMBE、OSA、ISMRM等学会的Fellow。中国医师协会临床精准医学专委会副主任，中国抗癌协会肿瘤人工智能专委会副主任；中华医学会数字医学专委会副主任，中国图学学会副理事长。
原文链接：
https://www.researching.cn/articles/OJbaf6f741213e031e
免责声明：本文旨在传递更多科研资讯及分享，所有其他媒、网来源均注明出处，如涉及版权问题，请作者第一时间后台联系，我们将协调进行处理，所有来稿文责自负，两江仅作分享平台。转载请注明出处，如原创内容转载需授权，请联系下方微信号。
两江科技评论