导语

光声断层成像（PAT）结合了光学高对比度与声学成像深度，是极具潜力的生物医学成像技术。然而，光在组织中传播时会发生显著衰减，导致图像无法真实反映组织的光吸收特性。如何快速、准确地校正这一“光通量畸变”，是实现定量PAT的关键难题。

近日，南方医科大学戚力教授团队在《Journal of Innovative Optical Health Sciences》上发表了一项创新研究：提出了一种基于自适应网格的有限元光通量计算框架，在保证校正精度的前提下，将计算时间缩短20倍以上，为实时光通量校正和定量光声成像铺平了道路。

Long Chen, Zhaoyong Liang, Chaobin Hu, Jinchuan He, Anqi Wei, and Li Qi.An adaptive mesh-based framework for real-time light fluence correction in photoacoustic tomography.Journal of Innovative Optical Health SciencesOnline ReadyOpen Access

https://doi.org/10.1142/S1793545826400031

图1 | 自适应网格加速光通量校正方法流程图

正文

研究背景

光声成像的定量化面临一个核心挑战：激光在组织中传播时，光通量随深度呈指数衰减，导致深层组织的信号被大幅压低，无法准确反映其真实吸收系数。

传统的光通量校正方法主要分为两类：

●直接校正法：输入预先假设的光学参数（吸收系数、散射系数）求解光通量，计算量大且依赖分割精度。

●迭代校正法：交替优化吸收系数与光通量，精度更高但计算时间更长，难以满足实时成像需求。

两种方法在光通量求解中通常采用均匀高密度网格，这导致了大量网格点被浪费在无成像价值的背景区域（如水介质），造成计算资源与时间的巨大消耗。

方法原理

研究团队提出了一套三步走的自适应网格加速框架：

●ROI生成：利用PAT图像中组织区域与非组织区域的像素值差异，通过梯度计算、二值化和形态学操作，快速分割出组织轮廓，生成组织ROI。

●自适应节点生成：改进经典的Floyd‑Steinberg误差扩散算法，采用蛇形扫描、动态权重、边界补点等策略，使节点密度与图像幅值成正比——组织区域密、背景区域疏。

●网格生成与光通量计算：对节点图执行Delaunay三角剖分，获得自适应网格，随后代入光扩散方程求解光通量分布，实现快速校正。

图2 | 均匀网格与自适应网格的光通量估计效果对比

图3 | 不同参数（γ, q）对自适应网格生成的影响

实验结果

1.网格效率对比

研究团队在Toast++和NIRFAST两个光通量估算工具箱中，将自适应网格与多种均匀网格进行了系统性比较。结果显示：

●自适应网格仅需均匀网格约1/85的节点数，即可达到相同的计算精度。

●光通量计算阶段加速比最高达36倍，整体校正流程加速20倍以上。

图4 | 自适应网格与均匀网格的光通量计算结果综合对比

2.实时校正性能

以NIRFAST工具箱为基础，研究团队评估了该方法是否可以满足实时成像要求（单帧处理时间<0.1 s，平均像素误差MSE<1×10⁻⁵）。实验发现：

●存在一个明确的参数区域（γ,q组合），可同时满足质量与速度要求。

●最优参数下，自适应网格仅含约8000个节点，校正时间约0.079 s，远优于均匀网格的1.879 s。

图6 | 实时光通量校正的参数可行区域

3.在体数据校正效果

研究团队对健康小鼠不同解剖层面（胸部、肝脏、腹部、骶部）以及荷瘤小鼠肿瘤区域的760 nm光声图像进行了实时校正。校正前，深层组织信号明显衰减；校正后，组织信号显著增强：

●胸腔血管、肝脏、深部腹腔器官及肿瘤区域血管网络清晰显现。

●沿同一剖线的像素值分布显示，深层信号得到有效恢复，而浅层信号基本保持不变。

图7 | 多部位活体光声图像的实时校正结果

主要创新点

●自适应网格快速生成算法：基于改进误差扩散的自适应网格生成策略，实现组织区域密、背景区域疏的节点分布，大幅减少无效计算。

●20倍以上整体加速：在保证校正精度的前提下，将光通量计算时间缩短至原来的1/20–1/36。

●首次实现实时光通量校正：单帧处理时间低于0.1 s，满足实时成像需求，具备良好应用转化潜力。

应用前景

该技术有望在以下场景中发挥重要作用：

●定量功能成像：准确恢复血氧饱和度等生理参数，提升多光谱成像精度。

●肿瘤成像：消除光通量畸变对肿瘤边界与内部血管结构的影响，增强肿瘤成像效果。

●三维光声成像：在3D场景中，网格节点数的减少可达数十至上百倍，有望突破当前3D光通量校正的计算瓶颈。

研究团队表示，未来将进一步引入器官级精细分割、多波长光学参数赋值，以及GPU加速，持续提升方法的鲁棒性与速度。

结语

这项研究为光声成像的“定量化困境”提供了一个优雅而高效的工程解决方案。它没有依赖复杂的硬件改造，而是从计算网格的底层逻辑入手，用更少的“点”算出了同样精准的“图”。随着方法向3D、多光谱和深度学习方向延伸，实时定量光声成像的落地应用将不再遥远。

通讯作者简介

戚力，南方医科大学生物医学工程学院教授。主要研究方向包括：光声断层成像、光学相干断层成像、生物医学光学图像分析等。

更多详情见https://portal.smu.edu.cn/swyxgcxy/info/1020/1188.htm