近年来，光声显微成像（PAM）作为一种新兴的生物医学成像技术，凭借其高光学对比度、高分辨率和深层组织穿透能力，在血管生物学、肿瘤学和神经科学等领域展现出巨大潜力。然而，在实际成像中，组织中的光学与声学散射、信号衰减以及各类噪声干扰，常导致图像分辨率下降、信噪比降低，特别是深层或微弱信号的成像质量难以保证。传统的深度学习增强方法虽有效，但往往缺乏对成像物理规律的遵从，且严重依赖大量、高质量的标注数据，泛化能力有限。

为此，南京理工大学智能计算成像实验室的Haigang Ma, Shili Ren, Xiang Wei, Yinshi Yu, Jiaming Qian, Qian Chen和Chao Zuo等研究者，在国际知名光学期刊《Opto-Electronic Advances》上发表了题为“Enhanced photoacoustic microscopy with physics-embedded degeneration learning”的研究论文。他们创新性地提出了一种“物理嵌入退化学习”（PEDL）方法，将光声成像的物理机理与深度学习模型深度融合，从而能够自适应地增强在不同退化条件（如不同成像深度、噪声水平和激光能量）下获取的PAM图像质量。

重要发现
01核心贡献：物理模型与深度学习框架的深度融合
该论文最核心的贡献在于构建了一个“物理嵌入”的深度学习框架。与纯粹依赖数据驱动的传统方法不同，PEDL方法在训练过程中，显式地将描述光声显微成像物理过程的退化模型嵌入到神经网络中。这个物理模型基于声束形成理论，考虑了超声换能器的聚焦场模式、随深度增加而加剧的信号衰减（通过补偿函数α描述）、以及混合了高斯噪声、瑞利噪声和泊松噪声的复杂噪声环境η。在每一次网络训练迭代中，物理模型中的参数（如点扩散函数卷积核h、噪声η、衰减系数）都会在合理范围内动态变化，从而生成符合物理规律且多样化的“合成退化图像-高质量真值”图像对。这种方法巧妙地解决了生物医学成像中高质量、大规模配对数据难以获取的瓶颈问题。

大感受野与深度特征提取：网络输入端采用9×9的大卷积核，以获取更广的视野来捕捉图像全局特征。编码器-解码器路径中集成了多个残差块（Res Blocks），通过堆叠3×3卷积层，能够由浅入深地提取更复杂、更抽象的图像特征，有利于同时恢复主干血管和微细血管。

全局上下文注意力机制：在网络中引入了轻量化的全局上下文（GC）自注意力模块。该模块使网络能够捕捉特征图的全局上下文信息，从而更好地理解图像的整體结构（如血管网络的拓扑连接），这对于分析和识别被噪声淹没的微细血管至关重要。

在仿真实验中，研究人员在合成数据上测试了PEDL在不同噪声水平和不同退化程度下的表现。定量指标（峰值信噪比PSNR和结构相似性SSIM）显示，PEDL的输出图像质量显著优于输入图像，也超越了传统的非深度学习去噪方法（如NLMD、NAD）。即使在强噪声或严重退化条件下，PEDL不仅能有效去噪，还能恢复被噪声掩盖的微弱血管信号，并增强其对比度。

在仿体实验中，为了模拟不同深度成像，研究者在活体小鼠耳朵上覆盖了不同厚度的硅胶膜。实验结果表明，随着硅胶层数增加（模拟深度增加），原始PAM图像亮度下降、噪声增强、血管半高全宽（FWHM）增大。经PEDL处理后，图像背景噪声被抑制，微细信号得到增强，血管FWHM平均缩小了10.2%至60.4%，且改善效果随初始成像条件变差而愈加显著，体现了方法的自适应性。在改变激光能量的实验中，PEDL成功恢复了在低能量下几乎消失的微细血管结构。

在活体小鼠脑部实验中，PEDL与流行的cGAN、U-Net等方法进行了直接对比。结果显示，PEDL在恢复微细血管分支、提升图像分辨率（减小血管FWHM）方面表现最佳。对输出图像的对比度噪声比（CNR）和信噪比（SNR）的定量分析也证实，PEDL在增强血管信号的同时，能更有效地抑制背景噪声。

最终结论表明，这种物理嵌入退化学习（PEDL）方法，通过将先验物理知识融入深度学习框架，不仅减少了对大规模标注数据的依赖，还显著提升了模型对未知成像场景的泛化能力和重建结果的物理一致性，为获得高质量、高分辨率的活体光声显微图像提供了一种新颖而强大的工具。

创新与亮点
突破成像物理限制与数据瓶颈的协同难题：传统深度学习在生物医学成像中的应用，常面临“模型不遵物理”和“数据获取困难”的双重挑战。PEDL方法的根本性创新在于，它并非将物理模型与网络简单并列，而是将描述光声信号衰减、散射和噪声的物理退化过程动态嵌入到网络训练循环中。这种“训练即仿真”的思路，使网络在学习过程中直接内化了成像系统的物理约束，从而生成物理上更可信的结果。同时，它利用物理模型合成大量逼真的训练数据，一举突破了活体实验难以获取大量完美配对数据的关键瓶颈。

提出“物理引导的退化学习”新范式：该方法代表了一种新的技术思路：即利用领域知识（物理模型）来指导数据的生成和网络的学习过程，而不仅仅是预处理或后处理。具体到PEDL，它通过可变的点扩散函数、深度相关衰减补偿和混合噪声模型，构建了一个能够模拟多种实际成像条件的“数字孪生”环境。这使得训练出的网络本质上具备了应对复杂多变现实场景的自适应增强能力，无论是声学分辨率还是光学分辨率PAM系统，在不同噪声、不同组织散射特性或不同激光能量下，都能稳定提升图像质量。

总结与展望
总而言之，本研究提出的物理嵌入退化学习（PEDL）方法，成功地将光声显微成像的物理原理与深度学习的数据驱动优势相结合，为提升PAM图像质量开辟了一条新颖且有效的途径。它不仅通过嵌入物理模型增强了重建结果的可靠性和泛化性，还通过合成数据策略缓解了数据依赖问题，并在仿真、仿体和活体实验中均证明了其在去噪、增强分辨率、恢复微弱信号方面的卓越性能。

DOI:10.29026/oea.2025.240189.