南昌大学在高分辨率光声显微成像方面获得突破

为了进一步证明所提方法在实际应用中的泛化性和有效性，研究团队针对实际系统采集的数据开展了稀疏重建实验。通过自主研发的PAM系统采集实验样品的光声信号后，对所得光声数据的最大投影图进行稀疏重建。图4为实际样品数据的稀疏重建结果。从图 4 (d) 和 4 (e) 中 “矩形 1” 与 “矩形 2” 的局部放大图可见，当重建 “未包含在训练数据集中的真实场景稀疏采样 PAM 图像” 时，RL Deconv 法、CycleGAN 法和 U-Net 法的细节恢复效果较差，无法精准重建目标结构。与之相反，所提 IR-SDE 法在图像细节与结构恢复方面展现出显著优势：该方法不仅能增强图像细节，还能有效解决 “采样步长增大导致成像质量下降” 的问题。尤其在 8 倍稀疏采样步长下，IR-SDE 法可对 “未参与训练的真实场景稀疏采样 PAM 图像” 实现有效重建，生成的图像平滑度与清晰度更高；绿色箭头标注区域内的结构恢复更精准，克服了其他方法在这些区域存在的细节缺失与结构失真问题。这表明 IR-SDE 法在图像重建任务中，尤其在复杂的高稀疏采样步长场景中，具备显著优势，可有效提升重建图像质量。

结论与展望

综上所述，针对传统光声显微成像（PAM）稀疏采样图像重建方法中普遍存在的 “重建质量差” 核心问题，南昌大学团队构建了一套智能光声显微成像系统。该团队从光声显微采集系统的硬件搭建入手，进一步结合生成式人工智能算法实现极稀疏采样条件下的高质量图像重建，最终形成了 “光声信号采集 — 生成式算法高质量重建” 的技术流程。该流程从算法层面突破了硬件性能的固有限制，成功实现了实际稀疏采样场景下 PAM 图像的快速、高质量重建。该研究的突破性体现在以下三方面：1.关键发现：在超稀疏采样条件下（如 16 倍采样步长），团队所提方法相较于传统基准方法（如 RL 反卷积、CycleGAN、U-Net 等）的性能优势呈现显著放大效应，其在峰值信噪比（PSNR）、结构相似性指数（SSIM）等核心指标上的提升幅度，远高于低稀疏度采样场景，验证了该方法在极端采样条件下的优越性。2.临床价值：实验证明，该方法不仅在仿真实验中表现出优异的稀疏重建效果，在实际的PAM成像场景中也展现出卓越性能。既能为临床诊断提供更高质量的 PAM 图像，实现组织结构与功能的高精度成像；又能在实际应用中减轻数据采集卡的运算负担、缩短信号采集时间、降低硬件部署成本，有效突破了 PAM 技术临床转化的关键瓶颈，进一步拓展了其实际应用范围。3.技术普惠：为资源受限场景（如基层医院、移动检测设备）提供了高质量 PAM 成像的可行方案，有效降低了 PAM 技术的应用门槛，同时，其在快速成像与高质量重建上的优势，也推动了PAM技术向更广泛领域的普及。

文章信息：Yanhan Chen, Yubin Cao, et al. Super-sparse-sampling high-resolution photoacoustic microscopy boosted by generative diffusion priors, Optics & Laser Technology, Volume 192, 2025, 113881.

论文链接：https://doi.org/10.1016/j.optlastec.2025.113881

代码链接：https://github.com/yqx7150/SSS-PAM