光声成像技术结合了超声检测和光学吸收对比度，是唯一能够无创地对活体组织进行厘米级深度成像的光学方法，并具有卓越的空间分辨率。然而，大规模三维光声成像在临床和前临床应用中面临巨大挑战，主要受限于成本和系统复杂性，导致只能部署稀疏分布的传感器阵列，这需要通过先进的重建算法来减少伪影。传统迭代重建算法虽然能提升图像质量，但其高内存消耗和计算时间在大规模三维场景中难以实用。为此，本研究提出了一种名为SlingBAG的创新算法，该算法基于点云模型，将三维光声场景表示为一系列高斯分布的球形源，通过迭代优化其属性（如峰值强度、大小和位置），并引入自适应点云破坏、分裂和复制机制，实现了高质量重建，同时大幅降低了内存使用和计算时间。SlingBAG算法在模拟和体内实验中均表现出色，为稀疏传感器配置下的大规模三维光声成像提供了可行方案。

本论文的重要发现者为Shuang Li、Yibing Wang、Jian Gao等人，论文标题为“SlingBAG: point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging”，于2025年12月在《Nature Communications》平台在线发表。

重要发现
01SlingBAG算法的核心原理
SlingBAG算法是一种基于点云的迭代重建方法，其核心创新在于将三维光声源建模为高斯分布的球形点云，而非传统的体素网格。每个点云元素代表一个球形源，具有可优化的峰值初始压力、标准差（控制大小）和三维坐标（控制位置）。算法通过最小化模拟信号与实际传感器数据之间的差异，进行迭代优化。优化过程分为粗重建和细重建两个阶段：粗重建阶段仅更新球形源的压力和大小参数，快速收敛到初步结果；细重建阶段则进一步优化位置参数，并引入自适应点云密度调整机制，包括删除低强度点、分裂过大点以及在梯度方向复制点云，以细化重建细节。这种点云表示方式天然契合光声源的稀疏特性（如血管网络），避免了体素网格的分辨率与计算成本权衡问题，同时算法基于可微分声辐射模型，支持高效的梯度反向传播，确保了快速收敛。

创新与亮点
本论文突破的具体成像难题在于传统迭代重建算法无法平衡大规模三维光声成像的质量与效率。传统方法依赖体素网格表示，导致内存需求随规模指数增长，且在半解析模型中存在近似误差，限制了在稀疏传感器和有限视角条件下的应用。SlingBAG算法通过引入点云表示和自适应高斯球生长机制，解决了这一难题：点云模型天然稀疏，避免了网格存储开销；可微分声辐射器确保物理准确性；自适应优化则动态调整点云密度，精准捕捉生物结构细节。

提出的新成像技术核心是点云基于的迭代重建框架，其灵感来源于计算机图形学中的三维高斯溅射技术。该技术将光声源离散化为多阶同心球体，基于声波方程解析解构建可微分前向模型，实现端到端训练。与传统方法相比，SlingBAG不依赖显式正则化，而是通过点云操作隐式施加稀疏约束，简化了优化流程。技术细节包括粗-细两阶段优化、点云-体素着色器转换，以及学习率调度，确保稳定收敛。

在光学生物医疗领域的实际价值方面，SlingBAG技术有望推动大规模三维光声成像的临床转化。例如，在全身小动物成像中，可实现实时监测血管动态；在外周血管疾病诊断中，稀疏传感器阵列可降低系统成本，促进便携式设备开发；在乳腺或甲状腺肿瘤成像中，能提供高分辨率三维视图，辅助早期筛查。此外，低资源需求使得该技术易于在多样临床环境中部署，提升成像可及性。未来结合声速非均匀性扩展后，将进一步增强在复杂组织中的适用性。

总结与展望
SlingBAG算法通过点云基于的迭代重建范式，成功解决了大规模三维光声成像的高内存和计算瓶颈，在稀疏传感器配置下实现了高质量、低资源消耗的重建效果。论文通过模拟和体内实验验证了算法的优越性，其创新点在于将计算机图形学技术融入光声物理模型，为生物医学成像开辟了新路径。展望未来，研究可进一步扩展到非均匀声速介质中，例如通过球谐函数建模声速各向异性；同时，结合显式正则化技术可能提升噪声环境下的鲁棒性。随着算法优化和硬件发展，SlingBAG有望成为实时三维光声成像的标准工具，推动其在精准医疗和基础研究中的广泛应用。

DOI:10.1038/s41467-025-66855-w.