天津大學校科研團隊利用定量光聲深度學習方法實作了活體深層組織的光學功能“真實透視”成像。據悉，這一成果在世界上尚屬首次，将為擷取活體組織生理病理相關的血氧特性圖像提供高空間分辨定量成像方法，可用于惡性良性腫瘤早期篩查、良惡性診斷以及抗癌藥物療效在體監測與量化評估。
定量光聲層析成像深度學習方法的功能效果圖
定量光聲層析成像是一種新興的無創生物醫學成像技術，可結合傳統光學成像的功能性以及傳統超聲成像的高清晰度等優勢，直接擷取深層組織光學吸收系數圖像，受到國内外研究機構和醫療企業廣泛關注。光在組織體内傳播過程中的光強逐漸衰減，光聲成像受深層組織中光強衰減的限制，無法真實地反應組織光學吸收系數，影響其在深層組織成像中圖像準确度和可信度。目前的定量光聲層析成像方法需要龐大的計算資源和時間消耗，且還存在穩定性差、先驗資訊依賴性強及誤差大等問題。
傳統光聲重建(P0)與定量光聲重建(μa)圖像對比
近年來，深度學習方法進入醫學影像學領域。但深度學習想要實作既定功能一般需要兩個過程：訓練過程以及實際識别過程。想要讓深度神經網絡充分發揮其學習能力，必須有大量帶有标注的真實資料用于其訓練過程。然而，在許多生物醫學成像中，很難獲得深層組織特别是活體組織的真實值（如光學吸收系數），進而很難建構大量帶有标注的真實實驗資料集，進行深度神經網絡的訓練，造成深度學習方法在許多生物醫學成像領域難以應用推廣。
針對上述難題，天津大學精密儀器與光電子工程學院副教授李嬌和教授高峰團隊首次提出了無需标注真實資料的定量光聲層析成像深度學習方法，實作深層組織吸收系數的準确重建。論文2022年1月6日發表在國際光學頂級期刊Optica上，李嬌為第一作者，天津大學副教授孫彪、高峰和慕尼黑工業大學教授Vasilis Ntziachristos為文章的共同通訊作者。
SEED-Net産生“實驗資料”與真實實驗資料對比
論文創新點之一是解決深度神經網絡訓練資料問題，利用風格遷移網絡（SEED-Net）實作仿真資料與實驗資料的無監督自由轉換，将豐富的帶标注仿真資料轉換到實驗域，即生成了大量帶标注的“實驗資料”，用于後續深度神經網絡訓練。“我們提出的SEED-Net不僅可以解決定量光聲層析成像方向缺乏真實資料集的問題，在其他生物醫學成像領域例如光學/熒光層析成像中同樣受限于缺乏足夠的帶标注真實實驗資料，也可使用該網格通過豐富的仿真資料生成‘實驗資料’，進一步發展适用于實際應用的生物醫學成像深度學習方法。這一方法具有普遍适用性，适合不同光聲成像系統、其他光學成像技術和整個生物醫學成像領域的推廣及應用。”李嬌說。
利用團隊自主發展的光聲層析成像系統獲得測試資料所發展的深度學習方法，成功重建出高空間分辨率的深層組織光學吸收系數定量分布圖像。這是首次應用定量光聲層析成像深度學習方法實作對活體深層組織光學吸收系數的“真實透視”成像。無标注真實資料情況下深度神經網絡的成功應用，也開拓了深度學習方法在生物醫學成像方向的發展空間。
來源 北京日報用戶端 | 記者 白波 通訊員 趙晖
編輯 蔡文清
流程編輯 劉偉利