近日，生物医学工程学院陈武凡团队戚力课题组在光学成像TOP期刊Photoacoustics发表题为“Learning Spatially Variant Degradation for Unsupervised Blind Photoacoustic Tomography Image Restoration”（基于空变图像退化学习的非监督式光声断层图像复原算法）的研究型论文。这是继该团队于2021年首次提出光声图像反卷积复原算法（发表于医学成像顶刊IEEE Transactions on Medical Imaging [1]）后的又一原创性研究成果。

光声断层成像是一种基于光声效应的新型生物医学成像方法，能够对生物组织进行无创横断面成像，具有优秀的光学对比度和媲美超声的成像深度。然而，受成像系统性能和组织异质性的影响，光声图像的点扩散函数（PSF）在空间每处各不相同，导致了随空间变化的分辨率退化，严重影响成像质量。为解决该问题，研究团队在前期工作[1]中，首次提出在光声成像中使用实测的空变PSF来进行图像的后处理增强，克服了传统基于单个统一PSF的限制，有效提高了图像复原的准确性和图像分辨率。

研究团队在前期研究[1]中提出的空变点扩散函数测量方法

以上述工作为基础，该团队在本次工作[2]中提出了一个全新的基于深度学习的光声断层图像复原框架DIPP（Deep Image-PSF Prior）。该方法将深度神经网络应用于光声成像的图像复原问题，使用图像生成器网络作为深度图像先验，PSF预测网络作为深度PSF先验，将两者联合进行无监督的图像复原。DIPP方法的创新之处在于，该框架无需任何标注数据进行网络预训练，能够自适应地处理图像各处的空变分辨率退化情况。通过进行仿真实验、公开数据集验证、物理仿体实验以及活体小动物成像实验，结果表明所提方法可以取得显著优于传统方法和其他深度学习模型的图像复原效果。相比于传统算法，该方法将深度学习框架引入到光声图像复原领域，可以学习图像的内在特征而无需人工设计正则化项，实现了端到端的图像质量改善。同时，相比有监督学习方法，该框架不需要标注数据进行训练，克服了光声成像无法获得大量成对训练数据的限制。

本次工作提出[2]的无监督光声图像复原方法

生物医学工程学院陈武凡团队戚力课题组致力于生物医学光学成像方法与相关科学成像装置的研发，近年来已接连取得了一系列原创性研究成果（IEEE TMI，2020、IEEE TMI,2021、Med. Imag. Anal. 2022、IEEE TMI,2022、Photoacoustics，2022、2023）。本次工作得到广东省重点领域研发计划、广东省医学图像处理重点实验室、广东省自然科学基金以及广东省“珠江人才计划”项目的资助。im电竞app官网生物医学工程学院2020级硕士生汤楷翊为该文第一作者，陈武凡教授和戚力副教授为共同通讯作者。

[1] Qi, Li, Jian Wu, Xipan Li, Shuangyang Zhang, Shixian Huang, Qianjin Feng and Wufan Chen. “Photoacoustic Tomography Image Restoration with Measured Spatially Variant Point Spread Functions.” IEEE Transactions on Medical Imaging 40 (2021): 2318-2328.2.

[2] Tang, Kaiyi, Shuangyang Zhang, Yang Wang, Xiaoming Zhang, Zhenyang Liu, Zhichao Liang, Huafeng Wang, Lingjian Chen, Wufan Chen and Li Qi. “Learning Spatially Variant Degradation for Unsupervised Blind Photoacoustic Tomography Image Restoration.” Photoacoustics (2023): 32. 100536.