光聲成像（PAI）作為生物醫(yī)學(xué)領(lǐng)域的新興成像技術(shù)，融合了光學(xué)成像的高對比度與超聲成像的深度穿透優(yōu)勢。光聲計算層析成像（PACT）作為其中的重要分支，無需外源性對比劑即可實現(xiàn)厘米級深度的組織成像，展現(xiàn)出巨大的臨床應(yīng)用潛力，尤其在乳腺成像等領(lǐng)域已進入預(yù)臨床研究階段。然而，皮膚組織中的黑色素含量較高，在成像過程中會產(chǎn)生強烈的光聲信號，掩蓋皮下深層組織信息，阻礙了感興趣區(qū)域光聲圖像的高質(zhì)量展示與分析。因此，如何有效去除PACT圖像中的皮膚信號，成為提升深層組織成像質(zhì)量的關(guān)鍵問題。

研究背景與技術(shù)挑戰(zhàn)
光聲成像技術(shù)自誕生以來，便以其獨特的優(yōu)勢在生物醫(yī)學(xué)研究中嶄露頭角。它能夠跨越細胞、組織和器官層面，實現(xiàn)多尺度、多分辨率的成像，為疾病早期診斷、功能研究等提供了有力工具。PACT通過使用超聲陣列探測組織信號，具備大視場下的高速成像潛力，適用于小動物全身成像及人體器官成像。

但與此同時，皮膚信號的干擾問題日益凸顯。皮膚作為人體最大的器官，其在成像時產(chǎn)生的光聲信號強度遠高于皮下組織，尤其在深層成像中，這種干擾更為嚴重�，F(xiàn)有的皮膚去除方法多基于傳統(tǒng)圖像處理技術(shù)，存在諸多局限性。例如，手動標(biāo)注方法耗時費力，難以滿足高分辨率、大區(qū)域圖像的需求；基于信號強度或形態(tài)特征的自動檢測算法，在光照不均或皮膚信號與背景差異較小的情況下，容易出現(xiàn)誤判，導(dǎo)致皮膚信號提取不準(zhǔn)確。

此外，隨著深度學(xué)習(xí)在圖像分割領(lǐng)域的興起，其在光聲成像中的應(yīng)用逐漸受到關(guān)注。然而，直接將深度學(xué)習(xí)方法應(yīng)用于PACT深層組織皮膚去除仍面臨挑戰(zhàn)。一方面，像素級皮膚和血管分類的人工標(biāo)注方法效率低下；另一方面，重建偽影和光照強度變化導(dǎo)致皮膚區(qū)域信號強度不均勻，增加了完整連續(xù)皮膚信號提取的難度。

技術(shù)創(chuàng)新與應(yīng)用
研究團隊提出了一種融合多尺度感知和殘差連接的U型深度學(xué)習(xí)模型（MD-ResUnet），并實現(xiàn)了PACT光聲圖像中皮膚信號的智能分割與去除。

非像素級皮膚區(qū)域標(biāo)注方法：以單類皮膚區(qū)域標(biāo)注為基準(zhǔn)標(biāo)簽圖像，無需像素級圖像標(biāo)注，顯著降低了數(shù)據(jù)處理的復(fù)雜度。通過分析人體腿部光聲圖像，選擇合適像素長度作為人工標(biāo)注時的皮膚厚度，使用繪圖軟件中的鋼筆工具直接繪出皮膚區(qū)域。

多尺度膨脹卷積與殘差連接：模型由編碼器和解碼器組成，殘差塊依次進行卷積、批標(biāo)準(zhǔn)化和ReLU激活。在編碼器最底層設(shè)計帶殘差的多尺度膨脹卷積塊，通過不同膨脹率的卷積核提取特征信息并進行融合，有效擬合信號強度不同且不連續(xù)的皮膚表面，提高皮膚提取的完整性和連續(xù)性。

皮膚完整性擬合與掩膜生成算法：針對皮膚分割結(jié)果中可能出現(xiàn)的小不連續(xù)片段和少量血管被誤預(yù)測為皮膚的情況，設(shè)計了后處理操作，包括刪除小連通區(qū)域和擬合不完整皮膚。通過閾值方法將網(wǎng)絡(luò)預(yù)測概率圖轉(zhuǎn)化為二值圖像，采用去除小連通區(qū)域的方法過濾假陽性部分。對于皮膚中間斷開和末端不完整提取的情況，分別進行線性擬合，并增加皮膚厚度，最終得到完整連續(xù)的皮膚圖像。根據(jù)分割出的皮膚圖像確定皮膚下邊界，生成皮膚去除掩膜，通過二值掩膜圖像與原始光聲圖像的像素級點乘，重構(gòu)出無皮膚信號干擾的高對比度光聲圖像。

成像實驗與結(jié)果分析
為驗證所提方法的有效性，研究團隊開展了人體腿部外周血管PACT成像實驗。實驗數(shù)據(jù)集由中國科學(xué)院深圳先進技術(shù)研究院提供，包含4組半環(huán)陣列-PACT系統(tǒng)采集的人體腿部外周血管光聲數(shù)據(jù)，每組數(shù)據(jù)集包含750幀，每幀大小為6 cm×4 cm，成像區(qū)域尺寸為15 cm×6 cm。其中，50%的數(shù)據(jù)用于訓(xùn)練和驗證網(wǎng)絡(luò)，剩余50%用于預(yù)測模型性能。模型訓(xùn)練過程中，將原始B-Scan圖像歸一化后直接投入網(wǎng)絡(luò)模型，以學(xué)習(xí)整體的皮膚輪廓。

實驗結(jié)果表明，MD-ResUnet模型在皮膚分割任務(wù)中展現(xiàn)出良好的性能。與傳統(tǒng)的Unet和ResUnet模型相比，MD-ResUnet能夠更準(zhǔn)確、更完整地提取皮膚區(qū)域。在量化評估中，MD-ResUnet模型在兩個數(shù)據(jù)集上的準(zhǔn)確率、Dice系數(shù)、靈敏度、特異性等指標(biāo)均優(yōu)于其他模型。同時，MD-ResUnet在皮膚去除后的圖像質(zhì)量上也表現(xiàn)出色，與傳統(tǒng)方法相比，均方誤差指標(biāo)降低了約50%~70%，峰值信噪比平均提高了約4.5 dB，結(jié)構(gòu)相似性也有明顯提升。

進一步對比實驗顯示，所提深度學(xué)習(xí)方法能夠更徹底地去除皮膚信號，還原更加真實、清晰的深層組織結(jié)構(gòu)。與Zhang等提出的局部加權(quán)擬合方法相比，MD-ResUnet方法在去除皮膚信號的同時，保留了更多的皮下血管細節(jié)信息，顯著提高了深層血管網(wǎng)絡(luò)的清晰度。通過對典型B-Scan圖像的皮膚去除效果對比，可以明顯看出，Zhang等的方法在某些圖像上仍存在大量斷續(xù)的皮膚信號，而MD-ResUnet方法能夠去除幾乎全部的皮膚組織，這在放大子圖中更為直觀。

總結(jié)與展望
研究基于PACT圖像與人體皮膚特征，提出了一種以皮膚區(qū)域分割為核心的PACT深層組織圖像皮膚去除方法，并設(shè)計了新型U型學(xué)習(xí)網(wǎng)絡(luò)MD-ResUnet。該方法通過非像素級皮膚區(qū)域標(biāo)注降低了數(shù)據(jù)處理復(fù)雜度，利用多尺度膨脹卷積與殘差連接提高了皮膚提取的完整性和連續(xù)性，通過皮膚完整性擬合與掩膜生成算法實現(xiàn)了皮膚信號的自動去除。實驗結(jié)果驗證了所提方法在皮膚組織高精度智能提取和去除方面的正確性和有效性，為PACT深層組織高質(zhì)量圖像生成提供了一種有效途徑。然而，當(dāng)前網(wǎng)絡(luò)模型仍存在不足之處，無法實現(xiàn)完全連續(xù)的皮膚區(qū)域提取，部分斷開的皮膚間隙依然存在。未來的研究將致力于進一步優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu)，探索新的深度學(xué)習(xí)方法，以實現(xiàn)更加精確、完整的皮膚信號去除。

論文信息
聲明：本文僅用作學(xué)術(shù)目的。
袁怡鑫, 陳濤, 劉成波, 孟靜. 光聲計算層析成像中的皮膚智能去除方法[J]. 中國激光, 2023, 50(21): 2107111. 
DOI:10.3788/CJL230930.