近日，中国科学院深圳先进技术研究院医工所生物医学光学与分子影像中心刘成波研究员团队、医学人工智能研究中心梁栋研究员团队，与武汉协和医院放射科郑传胜教授团队合作，提出了基于卷积神经网络的低剂量光声成像方法，该方法有望推动光声成像技术进一步临床转化。相关工作“Deep learning enables superior photoacoustic imaging at ultra-low laser dosages”发表于《Advanced Science》（DOI: 10.1002/advs.202003097, IF:15.84）。本研究中，第一作者为武汉协和医院赵煌旋博士（深圳先进院客座学生）和深圳先进院博士生柯子文。深圳先进院刘成波研究员、梁栋研究员和武汉协和医院郑传胜教授为共同通讯作者。
光声成像能够无创获取生物体和人体高分辨形态和功能信息，是有可能取得重大突破的新一代医学成像技术。受激光安全局限，生物组织允许承受的激光能量有限，特别是在高速成像，激光能量安全性是目前制约这一技术发展的瓶颈问题。激光剂量、成像速度、图像质量在光声成像中相互制约，阻碍了技术在临床和基础研究更广泛应用，迄今为止，仍缺少很好解决方法。本研究团队提出一种多任务残差密集网络（multi-task residual dense network, MT-RDN）的卷积神经网络方法，较好解决了这一问题。利用多监督学习策略，挖掘光声光谱域互补信息，基于双通道网络和自适应权重分布，团队实现了低剂量激光照射下高质量成像，获得了比激光安全阈值低32倍的超低剂量光声图像。为满足神经网络需要的多波长、多剂量数据同时获取，团队在光声成像技术方面开展创新，实现了四激光脉冲连续成像。该工作有望进一步推动光声成像技术临床应用，特别是在低激光剂量、高速成像场景。
本课题研究得到国家自然科学基金重大研究计划、国家自然科学基金面上项目、中科院仪器团队、中科院仪器青年项目、中科院青促会等项目支持。
图1. 上方为光声成像系统示意图，下方由左到右依次为双波长输入图像、多任务残差密集网络框架、和卷积神经网络输出图像。
