Advanced Science文獻分享：AI助力1/10光量拍出高清器官“透視照”
該研究由中國科學院深圳先進技術研究院劉成波、梁棟團隊聯合華中科技大學鄭傳勝團隊主導，成果發表于《Advanced Science》。團隊通過跨學科協作，將深度學習的“智慧”注入光聲成像，為活體顯微成像領域開辟了全新路徑。
重要發現
01雙波長數據的“拼圖游戲”：從模糊到清晰的跨越
傳統OR-PAM面臨的核心挑戰，是低激光劑量下光聲信號微弱導致的圖像噪聲與分辨率下降。為此，研究團隊設計了一套雙波長（532nm和560nm）雙通道數據采集系統：
硬件革新：通過多模光纖耦合雙波長激光，利用時間延遲技術分離不同能量、波長的光聲信號。例如，532nm激光敏感于血紅蛋白的氧合狀態，560nm則擅長捕捉組織形態，兩者互補如同“彩色拼圖”，為后續深度學習提供多維數據基礎。
數據采集：在實驗中，團隊對10只Balb/c小鼠的腦部進行雙波長成像，獲取6696組訓練數據，包含2倍/4倍下采樣圖像與全采樣高分辨率圖像。
02MT-RDN網絡：讓機器學會“腦補”細節為破解低劑量數據的“先天不足”，團隊開發了多任務殘差密集網絡（MT-RDN），其核心設計如同“三級智能修復工廠”：
第一級：兩個子網絡分別處理532nm和560nm的下采樣圖像，通過殘差密集連接提取血管結構、噪聲模式等底層特征；
第二級：第三子網絡融合前兩級輸出，利用多監督學習（同時優化去噪、超分辨率、血管增強三個任務）填補數據缺失，如同“跨維度聯想”，從低分辨率數據中“重建”高清晰細節；
第三級：通過合理權重分配（例如根據波長敏感性調整特征貢獻度），最終輸出兼具高信噪比與結構保真度的圖像。
03實驗驗證：從“模糊馬賽克”到“高清顯微照”在測試中，MT-RDN展現出驚人的“修復能力”：
定量指標：對于4倍下采樣的腦部數據，重建圖像的峰值信噪比（PSNR）達27.28±0.018，結構相似性（SSIM）達0.77±0.011，接近全采樣圖像水平，遠超傳統算法PAIVEF和經典深度學習模型U-net、RDN；
視覺效果：對比傳統方法，MT-RDN重建的腦血管網絡清晰可辨，甚至能區分耳組織中相鄰的動脈與靜脈，而傳統算法（如PAIVEF）會導致血管扭曲或信號混疊；
極限挑戰：當激光劑量進一步降至安全閾值的1/4（即傳統劑量的1/16），MT-RDN仍能保持重建精度，證明其在極端條件下的魯棒性。
創新與亮點
01技術瓶頸突破：從“高風險”到“低劑量自由”
傳統OR-PAM為保證圖像質量，常需使用接近生物安全極限的激光劑量，這對眼、腦等敏感組織構成潛在風險。MT-RDN通過數據驅動的智能重建，將所需激光劑量降低32倍，首次實現“超低劑量下的高質量成像”，為嬰幼兒腦成像、眼科微創檢測等場景掃清安全障礙。
提高成像速度通常需犧牲分辨率（如下采樣），而MT-RDN通過超分辨率重建，能從稀疏采樣數據中恢復細節。例如，4倍下采樣意味著數據量僅為全采樣的1/16，配合激光重復頻率提升，理論上可將成像速度提升16倍，同時通過實時重建（僅需0.45秒）滿足動態過程（如神經元活動）的捕捉需求。
03跨模態的“通用型顯微鏡”
團隊用腦部數據訓練的模型，無需額外調整即可直接用于耳組織成像，且重建效果優異。這種跨組織泛化能力源于雙波長數據的互補性與多任務學習的靈活性，意味著OR-PAM未來可能成為“一機多用”的通用型成像平臺，適用于腫瘤、神經、心血管等多領域研究。
總結與展望
這項研究標志著OR-PAM從“高門檻科研工具”向“臨床實用技術”的關鍵轉型。通過深度學習與光學成像的深度融合，團隊不僅破解了激光劑量、速度與質量的“三角難題”，更開辟了智能生物醫學成像的新范式——未來，OR-PAM或許能像“光學超聲”一樣，成為手術室中的實時監測工具，或在基層醫院實現無創血管健康篩查。
當然，挑戰依然存在：例如，如何進一步提升模型對復雜病變組織的適應性，或開發更輕便的便攜式OR-PAM系統。但正如研究團隊所言，MT-RDN的普適性架構為跨模態成像提供了新思路——無論是光聲、超聲還是MRI，深度學習都可能成為突破物理極限的“鑰匙”。隨著硬件成本下降與算法優化，我們有理由期待，這種“會思考的顯微鏡”將在未來十年內重塑精準醫療的格局，讓微米級的生命奧秘觸手可及。
論文信息聲明：本文僅用作學術目的。
Zhao H, Ke Z, Yang F, Li K, Chen N, Song L, Zheng C, Liang D, Liu C. Deep Learning Enables Superior Photoacoustic Imaging at Ultralow Laser Dosages. Adv Sci (Weinh). 2020 Dec 21;8(3):2003097.
DOI:10.1002/advs.202003097.
