基于虚拟成像框架的深度学习三维定量光声层析成像重建方法评估

《Photoacoustics》:Application of a virtual imaging framework for investigating a deep learning-based reconstruction method for 3D quantitative photoacoustic computed tomography

【字体: 大 中 小 】 时间:2026年01月01日 来源:Photoacoustics 6.8

编辑推荐:

  为解决定量光声层析成像(qPACT)重建方法在临床转化中面临的验证难题,研究人员开发了一个基于解剖学和生理学真实的三维数值乳腺体模(NBP)的虚拟成像(VI)框架。该研究首次利用该框架系统评估了一种代表性的深度学习(DL)qPACT方法,结果表明该方法在存在测量噪声和声学像差的情况下,能够稳健地估计血氧饱和度(sO2)并分割血管和肿瘤区域。这项研究为加速qPACT重建方法的开发和验证提供了一种严格且可量化的评估工具,对推动该技术向临床应用转化具有重要意义。

  
在医学影像领域,定量光声层析成像(qPACT)是一种极具潜力的新兴技术,它结合了光学成像的高对比度和超声成像的高分辨率优势,能够无创地获取组织内部的生理参数,如血氧饱和度(sO2)。然而,将qPACT从实验室推向临床却面临着一道巨大的鸿沟:如何验证和评估其重建方法的准确性和稳健性。传统的物理体模过于简化,无法模拟真实人体组织的复杂解剖结构和生理变化;而活体实验又缺乏“金标准”作为参照,使得定量评估变得异常困难。
为了攻克这一难题,来自伊利诺伊大学厄巴纳-香槟分校的研究团队在《Photoacoustics》杂志上发表了一项开创性研究。他们构建了一个高度逼真的“虚拟成像”(VI)框架,首次利用该框架对一种代表性的深度学习(DL)qPACT重建方法进行了系统、全面的评估。这项研究不仅揭示了该方法的强大潜力,也暴露了其在面对真实世界复杂情况时的局限性,为未来算法的优化和临床转化指明了方向。
关键技术方法
该研究构建了一个基于解剖学和生理学真实的三维数值乳腺体模(NBP)的虚拟成像框架。研究采用蒙特卡洛模拟(MCX)和k-Wave声学模拟工具箱,模拟了多光谱光声数据采集过程。评估对象为一个代表性的深度学习(DL)qPACT方法,该方法采用多任务学习架构,能够同时从多波长初始压力分布图中估计血氧饱和度(sO2)并分割血管和肿瘤区域。研究设计了两种虚拟成像研究(Study 1和Study 2),分别模拟了理想化(仅含噪声)和更具挑战性的现实场景(包含声学异质性和模型失配),以系统评估该方法的稳健性和泛化能力。
研究结果
1. 理想化场景下的优异表现
在Study 1中,研究人员模拟了一个相对理想化的场景,即直接对真实初始压力分布图添加噪声,而不进行声学重建。在这种条件下,DL-qPACT方法展现出了卓越的性能。它能够准确地分割出血管和肿瘤区域,其估计的血氧饱和度(sO2)值与真实值高度吻合,平均绝对误差(MAE)低于3%,显著优于传统的线性光谱分离和光通量补偿光谱分离方法。此外,该方法还表现出良好的泛化能力,在面对训练数据中未包含的较深肤色(Fitzpatrick 3和5)时,依然能够保持较高的估计精度。
2. 现实挑战下的稳健性与局限性
Study 2则模拟了更具挑战性的现实场景,其中包含了声学异质性(如声速、密度和衰减的空间变化)以及模型失配(如重建时假设均匀声速而实际组织声速不均)。在这种更复杂的情况下,DL-qPACT方法依然展现出了强大的稳健性。尽管输入图像因声学伪影而质量下降,导致其分割出的血管结构出现断裂,但该方法在已分割区域内估计的sO2值依然非常准确,表明其能够有效补偿声学重建带来的误差。
然而,当面对训练数据中未包含的深肤色(Fitzpatrick 5)时,该方法的局限性开始显现。由于深色皮肤对光的吸收更强,导致深层组织的信号强度减弱,模型对肿瘤的检测灵敏度显著下降,漏检率增加。同时,血管分割的准确性也出现了明显下滑。这表明,虽然DL-qPACT方法在估计sO2方面具有很强的稳健性,但其分割性能对输入图像的质量和训练数据的多样性更为敏感。
结论与意义
这项研究通过构建一个高度逼真的虚拟成像框架,首次对深度学习qPACT方法进行了系统、定量的评估。研究结果表明,该方法在估计血氧饱和度(sO2)方面具有强大的稳健性,即使在存在声学异质性和模型失配等复杂情况下,也能提供准确的定量结果。这为qPACT技术在临床诊断中的应用提供了强有力的支持。
然而,研究也揭示了该方法的局限性,尤其是在面对训练数据中未充分代表的深肤色人群时,其分割和检测性能会显著下降。这一发现强调了在开发此类算法时,必须充分考虑临床人群的多样性,并确保训练数据能够覆盖广泛的生理和解剖变异。
总而言之,这项研究不仅展示了一种有前景的qPACT重建方法,更重要的是,它建立了一个严格的评估标准。这个虚拟成像框架为未来开发更准确、更稳健的qPACT算法提供了一个不可或缺的“试金石”,将极大地加速该技术从实验室走向临床的进程。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号