摘要：大体积快速光声显微镜（PAM）因其能够提供肿瘤病理学与神经免疫微环境的高分辨率结构和功能信息，在生物医学领域受到广泛关注。无衍射光束（如艾里光束）可扩展成像景深（DoF），而基于深度学习的稀疏重建技术则能实现快速成像。然而，艾里光束的旁瓣伪影问题，以及如何同时

大体积快速光声显微镜（PAM）因其能够提供肿瘤病理学与神经免疫微环境的高分辨率结构和功能信息，在生物医学领域受到广泛关注。无衍射光束（如艾里光束）可扩展成像景深（DoF），而基于深度学习的稀疏重建技术则能实现快速成像。然而，艾里光束的旁瓣伪影问题，以及如何同时实现大景深与高速成像的挑战，限制了PAM在大规模生物样本动态监测中的应用。为此，我们提出了一种基于多任务学习的大体积快速光声显微镜（ML-LR-PAM），该技术融合了创新的软硬件协同优化策略，在抑制旁瓣伪影的同时实现超分辨率重建。与现有方法不同，我们通过缩放点积注意力机制（SDAM）和Wasserstein-CycleGAN（SW-CycleGAN），同步优化伪影抑制与高分辨率成像，从而突破传统PAM的局限。实验表明，该方法在成像速度、大体积和图像质量上均显著优于现有技术。ML-LR-PAM有潜力成为生物医学研究与临床诊断的重要工具，为活体动态监测与高精度成像提供全新解决方案。

本文使用的实验装置结构如图1所示。纳秒脉冲激光器（波长 532 nm）产生激光，在衍射模式下运行的空间光调制器（SLM）通过加载灵活的立方相位图案来产生艾里光束照明，以实现精确的相位调制和激光强度控制。随后，调制光束通过物镜（4×、0.1 NA）进行聚焦和傅里叶变换，以获得所需的艾里光束。光束整形模块包括偏振器、半波片、SLM、窄光束透镜组、物镜和三维移动平台。偏振器和半波片有助于初始标准线性偏振高斯光束的偏振方向调整，而SLM则对调整后的偏振进行相位调制，以根据预设的方位相位调制参数产生调制光束。值得注意的是，SLM还加载了具有不同光栅周期的立方相位图案，不仅可以产生调制光束，还可以将其衍射成不同的衍射角，从而便于使用针孔对零阶和一阶光斑进行分离和随后的滤波。采集端包含一个环形超声换能器（UT），两个 30 dB 低噪声放大器（ZFL-500LN+）放大，并通过高速数据采集板（DAQ、PCIE-1425）以250 MS/s的采样率采集。

本研究中使用的SW-CycleGAN架构如图2所示，CycleGAN通过引入两组不同的图像（例如一组包含艾里光束图像，另一组包含高斯光束图像）来简化数据准备过程，而不需要直接的成对映射。这种方法为多种图像转换任务提供了可能性。CycleGAN的一个基本机制是循环一致性损失，它确保了图像转换过程中核心内容的保留。因此，转换后的图像不仅保持了与原始图像的视觉相似性，还实现了风格或纹理的期望转变，同时保留了图像的形状和结构特征。基于此对CycleGAN进行了改进，具体来说，网络中集成了缩放点积注意力机制（SDAM），并利用WGAN的W-loss来优化对抗生成网络的损失。自注意力机制在使模型能够识别并利用图像中不同区域之间复杂相互关系方面发挥着关键作用。在血管图像处理领域，这种能力使模型能够专注于血管的特定细节和复杂性，尤其是在伪影去除和重建过程中需要特别关注的区域。通过增强模型对血管结构的理解，特别是在存在旁瓣伪影的情况下，自注意力机制帮助模型区分伪影和真实的血管结构，从而实现更精确的伪影去除和重建。SDAM 是深度学习中典型自注意力机制的核心计算方法，在图像处理领域具有重要的应用价值。Wasserstein距离，即W-loss也称为“推土机距离”， 与传统的GAN损失相比，Wasserstein距离通过提供更连续且有用的梯度，减轻了训练过程中的模式崩溃问题，从而帮助生成器学习更准确的图像转换。在CycleGAN中使用Wasserstein距离可以增强稳定性，促进生成图像的多样性，并提高其整体质量。

为了全面评估SW-CycleGAN网络的性能，我们引入了几种基准方法进行比较，包括稀疏图像恢复网络FD U-net和Res U-net，以及经典的Richardson-Lucy（RL）算法。之前的实验已证明，在处理稀疏图像恢复和艾里光束伪影去除时，优先去除伪影可以更有效地提高图像质量。因此，在本研究中，我们采用了两种控制方法，即RL + FD U-net和RL + Res U-net，同时，我们利用三种具有不同比例因子参数（a=0.5、1和2）的艾里光束图像以及2倍下采样率生成艾里光束低分辨率（LR）图像作为输入，评估SW-CycleGAN网络的性能。结果如图3所示，虽然RL方法减少了旁瓣并使图像更接近源图像，但残留的旁瓣伪影仍然作为背景强度存在。这种残留影响了分辨率和对比度，导致整体图像质量类似于较低分辨率。相比之下，提出的SW-CycleGAN方法在伪影去除和分辨率提升方面表现出优越性，使图像细节更加突出，并有效地重建了下采样的艾里光束图像，使其在质量上更接近高斯源图像。

为了进一步验证SW-CycleGAN的伪影去除效果，我们进行了对比实验。将高斯光束成像的小鼠血管图像生成为基于艾里光束的PAM图像（a设置为1），然后分别使用SW-CycleGAN和RL方法进行伪影去除任务（图4）。不同颜色的箭头用于标记受伪影影响程度不同的三个区域，其中红色箭头指向的区域受伪影影响较弱。在SW-CycleGAN和RL方法的恢复结果中，均可以观察到血管形态，但显然SW-CycleGAN的结果更优。在蓝色箭头指示的区域，SW-CycleGAN的恢复结果与基于高斯光束的图像完全一致，所有血管结构细节都清晰可辨，而RL方法只能大致恢复该感兴趣区域的结构。在绿色箭头标记的区域，基于艾里光束的图像中血管间隙难以辨认，而SW-CycleGAN成功恢复了血管间隙结构，与基于高斯光束的图像高度一致，超越了RL方法的表现。

我们在多种复杂环境中进一步验证了所提出方法的性能，包括叶片骨架、小鼠脑血管和斑马鱼成体色素条纹[图5(a)–5(c)]，在比较高斯光束和艾里光束的成像结果时（最左侧两列），基于艾里光束的成像显示出显著的景深扩展。最大振幅投影（MAP）图像提供了更详细的信息，深度方向的剖面图成功解析了仿体和生物样本中的深层结构。然而，原始的基于艾里光束的MAP图像仍然存在旁瓣伪影和背景噪声。为了展示所提出方法的分辨率提升和旁瓣伪影抑制能力，我们首先对基于艾里光束的图像进行2倍下采样，生成低分辨率图像（第三列）。这相当于将成像速度提高了100倍，将4 mm×4 mm区域的成像时间缩短至约3.3分钟，与全采样2 μm × 2 μm步长的成像相比。图5的第四列和第五列分别展示了基于艾里光束的RL + FD U-net方法和基于艾里光束的SW-CycleGAN方法的对比结果。最右侧一列显示了直接以10 μm×10 μm步长重建基于艾里光束的图像的结果。

为了进一步验证所提方法的泛化性，我们对其性能进行了评估，并与从小鼠皮肤癌的病理生理肿瘤微环境中获得的高质量共配准高斯光束图像进行了比较（图6）。首先生成了比例因子值为a=1的艾里光束点扩散函数（PSF）图像，第一列展示了与黑色素瘤和基底细胞癌相关的血管结构和功能特征[图6(a)和6(b)]。第二列显示了从第一列感兴趣区域黄色虚线框中生成的2倍下采样的低分辨率图像以及带有艾里光束伪影的图像，代表基于艾里光束的低分辨率图像。图6的第三列和第四列分别展示了使用两种方法（基于艾里光束的RL + FD U-net和基于艾里光束的SW-CycleGAN）的重建结果对比。

结果显示，虽然基于艾里光束的RL + FD U-net方法在某些区域恢复了对比度强度信息，但整体图像质量较差，存在明显的模糊和伪影。相比之下，提出的基于艾里光束的SW-CycleGAN方法在保留血管结构和功能细节的同时，图像伪影极少，与感兴趣区域的真实情况高度吻合。

我们开发了一种基于多任务学习驱动的无衍射光束激发联合稀疏采样的大体积快速光声显微镜。在拓展成像景深的同时成功克服了艾里光束引起的旁瓣伪影，并且解决了成像速度与分辨率之间的相互制约问题。结合先进硬件设计和多任务学习协同优化，实现了大体积、高分辨率的图像重建，同时显著抑制了伪影。突破了传统技术的限制，为肿瘤病理学、生物标志物监测及神经免疫互作研究提供了更高效的成像工具。

科学技术的发展离不开科研仪器的进步。凯视迈（KathMatic）自2014年创建以来，一直“致力于高精尖光学测量技术”，已成为集“研发、制造、销售”为一体的国产高端光学精密测量仪器新力量。推出了KC系列多功能精密测量显微镜、KS系列超景深3D数码显微镜以及KV系列激光多普勒测振系统，取得了良好的市场成绩。详情欢迎留言咨询!

来源：凯视迈精密测量