光声断层扫描（PAT）是一种结合高光学对比度和深层声学穿透的医学成像技术，但线性阵列在3D成像方面存在有限视野和电磁干扰噪声等问题。用人工智能的方法可以改善PAT的图像质量，但高计算成本和有限的内存分配使得用在3D成像方面的应用仍然受到限制，致使这一难题尚未被攻克。
近日，纽约州立大学布法罗分校夏俊团队引入3DFD U-net神经网络算法。通过三维空间模拟和混合精度训练来提高效率和训练规模，线性阵列的3D成像性能从而得以改善。经过数值模拟、模拟体成像和体内实验的验证，本研究证明了训练后的网络能够恢复真实物体的尺寸，降低噪声水平和伪影，改善深层区域的对比度，并显示出受限视野失真的血管。这些改进使得3DFD U-net成功地重建出人体手掌、手臂、乳房和脚部的清晰的3D血管图像。这些增强的血管图像为生物识别、足部溃疡评估和乳腺癌成像提供了改进的潜力。
上图a和e展示了由2D堆栈算法重建的两名受试者的人手掌的最大幅值投影图像。由于较强的皮肤表面信号和重建伪影，无法清楚地观察到皮肤下的血管结构。此外，血管结构呈不连续延申，这在解剖学上是不准确的。另外，较差的横向（y轴）分辨率使得沿纵向延伸的血管难以显示。图4b和f分别表示两名受试者的算法增强的输出图像。由于分辨率的提高，可以在所有方向观察到更精细的血管结构。还可以看到，大多数皮肤表面信号已被算法去除，从而使深层血管可以被观察到。尽管皮肤表面信号未包含在训练数据中，但它们仍然被算法去除，因为皮肤特征与血管不同，因此被算法视为噪声。为了更好地说明，我们从每个数据中选择了两个区域（用黄色和红色虚线框标记），并在图c、d、g和h中绘制了放大和横截面视图。从输入图像中可以看出，由于低空间分辨率和皮肤伪影图像，血管结构未能清晰展示。相比之下，可以从输出图像中观察到更精细的血管结构。图c、d、g和h的底部行展示了横截面图像。可以看到，输出图像中深层血管更加可见，由有限视野问题引起的血管不连续性得以减少。为了进一步验证我们的算法性能，我们选择了不同血管并量化了信噪比（SNR）。图i展示了每个血管的输入和输出图像的SNR值。如柱状图所示，与输入相比，输出图像中的血管显示出更高的SNR。总的来说，输出图像在不同方面都取得了显著的改进，呈现出清晰且连续的血管结构。
基于光声技术的血管成像在临床应用中还处于积极探索的阶段，我们预见我们提出的算法将进一步推动该领域的发展，改进疾病筛查、诊断和治疗监测等方面的应用。相关成果以题为“Deep Learning Enhanced Volumetric Photoacoustic Imaging of Vasculature in Human”，发表在Advanced Science，纽约州立大学布法罗分校博士研究生郑文翰，哈佛医学院张慧娟博士后为本文的共同第一作者，通讯作者为纽约州立大学布法罗分校夏俊教授。
