欧美一区视频在线_国产女精品视频网站免费_国产免费av国片精品草莓男男_欧美日韩三区

光聲顯微術成像(Photoacoustic Microscopy，PAM)是一種非侵入性的混合生物醫學成像技術，結合了光學和聲學技術的優勢，能夠在亞微米尺度上提供高分辨率的生物組織信息，在組織細胞成像、癌癥檢測，心血管疾病檢測等領域取得了廣泛應用，并且逐漸成為臨床前和臨床的重要工具。盡管PAM有著顯著的臨床轉化潛力和廣泛的應用前景，然而，在實際應用中，傳統光聲顯微鏡（PAM）的掃描速度相對較慢，這一問題源于激光脈沖的脈沖重復頻率（PRR）限制。尤其是在高分辨率成像需求下，系統需要以更小的步長進行逐點掃描，導致成像時間進一步延長。此外，隨著掃描點數的增加，總數據量與采集時間會急劇上升，進而給數據采集卡帶來巨大負擔。這些問題限制了光聲顯微鏡在實時成像和高通量檢測中的應用，在需要快速獲取大量圖像的臨床與科研場景中，這一局限性尤為突出。增大采樣步長能顯著提升光聲顯微成像的成像速度，這一過程被稱為稀疏采樣。但該方法存在缺陷，可能會損害成像質量。因此，如何對稀疏采樣圖像進行高質量重建，成為當前面臨的關鍵挑戰。最新研究表明，深度學習在解決光聲顯微鏡（PAM）稀疏采樣重建難題方面具有巨大潛力。但其訓練過程依賴帶標簽數據集，且在模型泛化性與跨模態適應性方面存在顯著局限。此外，傳統深度學習框架難以融入光聲成像固有的物理先驗知識（如聲波傳播模型、熱擴散方程），這一局限制約了此類框架在復雜臨床場景中的精準應用與發展。因此，如何通過算法突破硬件限制，實現稀疏采樣下的快速、高質量的重建，是一個亟需解決的問題。

近日，南昌大學信息工程學院的成像與視覺表示實驗室研究團隊構建了一套智能光聲顯微成像系統。該系統借助光聲顯微掃描技術對樣本實施稀疏采樣，從硬件采集層面顯著提升成像速度；同時引入生成式人工智能算法，攻克超稀疏采樣場景下的圖像退化難題，實現高分辨率重建。最終達成成像時間縮短與成像質量提升的雙重目標。研究團隊進一步將生成式人工智能算法與光聲斷層成像系統深度融合，輔以軟件界面的交互式控制功能，構建形成 “智能信號采集 — 數據處理 — 高質量圖像生成” 的全流程技術鏈路。其中，發表于光學領域頂級期刊Optics & Laser Technology的論文“Super-sparse-sampling high-resolution photoacoustic microscopy boosted by generative diffusion priors”，作為該智能光聲顯微成像系統的關鍵組成部分，不僅驗證了系統在算法層面的可行性，還打通了系統中最關鍵的算法環節。南昌大學本科生陳彥翰、研究生曹玉彬為共同第一作者，宋賢林副教授為通訊作者，劉且根教授對該研究給予了重要支持。

主要研究內容

為了獲取實驗樣品的光聲信號。南昌大學研究團隊構建了一套智能光聲顯微采集系統，圖1(a)展示的是該系統的數據采集部分，此采集系統由步進控制模塊、激光觸發模塊和數據采集模塊組成。整套系統通過Labview軟件實現對步進控制模塊與數據采集模塊的整體控制。在數據采集過程中，樣品被置于自制的光聲耦合棱鏡正下方，此時樣本處于系統光焦點與聲焦點重合的區域。數據采集卡接收到觸發脈沖后，二維平移臺(x-y)便會以固定步長向x軸方向移動，同時數據采集卡采集對應位置的光聲信號并將其存儲至計算機中，直至采集完設定區域的稀疏光聲信號。在獲得稀疏采樣下的PAM數據后，通過基于python編寫的Tkinter GUI界面（如圖1b）進行交互，調用生成式人工智能算法開展光聲數據重建，實現極稀疏采樣數據的重建生成，有效去除圖像偽影并獲取高質量成像結果。該算法作為智能光聲成像系統的核心組成部分，針對光聲顯微成像在稀疏步長采樣場景下，傳統深度學習方法面臨的訓練過程受限、難以融入光聲成像固有的物理先驗知識等關鍵難題，研究團隊為實現模型的快速迭代與高效生成，提出一種基于均值回復擴散模型（IR-SDE）的超稀疏采樣 PAM 數據重建方法，可直接完成光聲顯微數據的重建任務。該方法通過模擬隨機微分方程（SDE）的正向與反向過程 —— 即從高質量全采樣圖像到低質量稀疏采樣退化圖像的正向演變，以及從稀疏采樣數據到全采樣數據的反向恢復，實現了無需依賴任何特定任務先驗知識的光聲數據重建。如圖 2（b）所示，該方法的核心設計在于：其采用的得分網絡以非線性激活自由網絡（Nonlinear Activation-Free Network, NAFNet）為基礎架構，并引入多層感知機（Multi-Layer Perceptron, MLP）。此架構設計不僅顯著降低計算量、提升計算效率，還進一步增強了模型對時間動態過程的適應性；同時，該設計使模型在圖像恢復任務中能夠輸出更精準的結果，在不同成像條件下的圖像重建中均保持高性能與強靈活性。上述改進最終確保網絡在稀疏重建任務中兼顧高質量成像效果與高效率運行表現。

 

圖1.(a)自主研發的PAM系統。(b)利用均值擴散模型對稀疏采樣數據進行重建，獲得高質量圖像。

 

圖2.PAM稀疏弦圖重建流程圖與網絡架構。