近日，来自南昌大学成像与视觉表示实验室研究团队提出了一种基于分数扩散模型的有限视角下的高质量光声断层成像。该成果以“Score-based generative model-assisted information compensation for high-quality limited-view reconstruction in photoacoustic tomography”为题发表于光声领域顶级期刊Photoacoustics。
主要研究内容
研究团队提出了一种基于分数扩散模型的光声断层成像重建方法。在训练阶段，模型通过逐步向现有样本中添加噪声来学习样本的数据分布。在重建阶段，该方法将扩散模型学习到的有关图像重建的先验信息作为迭代重建算法中的正则化项，通过循环迭代可以实现有限视角下的高质量光声断层成像。
作为验证，研究团队使用圆形仿体和活体小鼠实验数据对所提方法的性能进行了评估。在圆形仿体重建实验中，将该方法与传统的延迟求和方法(DAS)、无正则化项的梯度下降法(GD)、带有Tikhonov正则化项的梯度下降法、U-Net方法以及GAN方法进行了比较，结果如图2所示。所提方法在不同有限视角情况下，所提方法的重建结果均显示出更高的质量和更清晰的轮廓。在70°有限视角下，所提方法重建结果的峰值信噪比(PSNR)和结构相似性(SSIM)分别达到了31.57dB,0.95,相比于延迟求和方法分别提高了203%和48%。
从仿体小球和活体小鼠（实验数据）的实验结果来看，该方法依然具有良好的表现（图3）。特别地，在极有限的探测视角下（如90°有限视角），该方法显著优于U-Net方法。在活体小鼠实验中，该方法在90°有限视角的重建图像SSIM/PSNR可达到0.80/29.18 dB，相较于U-Net方法，PSNR提高了64%，SSIM提高了48%。
结论与展望
该研究提出了一种新的基于分数扩散模型的有限视角下的高质量光声断层成像策略。该方法将PAT的物理模型与扩散模型相结合，在基于模型的迭代过程中引入扩散模型深度网络学习到的高维先验信息。该方法显著改善了成像质量，该方法有效地解决了PAT中因有限视角采样导致的成像质量下降的问题，具有加速PAT成像速度和扩展其应用范围的潜力。
南昌大学郭康俊、硕士生郑志远、硕士生钟文华，硕士生李子龙为文章共同第一作者，刘且根教授，宋贤林副教授为共同通讯作者。该研究得到国家自然科学基金委、江西省重点研发项目的资助。