新型自適應算法助力三維光聲成像實現(xiàn)大幅降低內存使用和計算時間
光聲成像技術結合了超聲檢測和光學吸收對比度，是唯一能夠無創(chuàng)地對活體組織進行厘米級深度成像的光學方法，并具有卓越的空間分辨率。然而，大規(guī)模三維光聲成像在臨床和前臨床應用中面臨巨大挑戰(zhàn)，主要受限于成本和系統(tǒng)復雜性，導致只能部署稀疏分布的傳感器陣列，這需要通過先進的重建算法來減少偽影。傳統(tǒng)迭代重建算法雖然能提升圖像質量，但其高內存消耗和計算時間在大規(guī)模三維場景中難以實用。為此，本研究提出了一種名為SlingBAG的創(chuàng)新算法，該算法基于點云模型，將三維光聲場景表示為一系列高斯分布的球形源，通過迭代優(yōu)化其屬性（如峰值強度、大小和位置），并引入自適應點云破壞、分裂和復制機制，實現(xiàn)了高質量重建，同時大幅降低了內存使用和計算時間。SlingBAG算法在模擬和體內實驗中均表現(xiàn)出色，為稀疏傳感器配置下的大規(guī)模三維光聲成像提供了可行方案。
本論文的重要發(fā)現(xiàn)者為Shuang Li、Yibing Wang、Jian Gao等人，論文標題為“SlingBAG: point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging”，于2025年12月在《Nature Communications》平臺在線發(fā)表。
重要發(fā)現(xiàn)
01SlingBAG算法的核心原理
SlingBAG算法是一種基于點云的迭代重建方法，其核心創(chuàng)新在于將三維光聲源建模為高斯分布的球形點云，而非傳統(tǒng)的體素網(wǎng)格。每個點云元素代表一個球形源，具有可優(yōu)化的峰值初始壓力、標準差（控制大小）和三維坐標（控制位置）。算法通過最小化模擬信號與實際傳感器數(shù)據(jù)之間的差異，進行迭代優(yōu)化。優(yōu)化過程分為粗重建和細重建兩個階段：粗重建階段僅更新球形源的壓力和大小參數(shù)，快速收斂到初步結果；細重建階段則進一步優(yōu)化位置參數(shù)，并引入自適應點云密度調整機制，包括刪除低強度點、分裂過大點以及在梯度方向復制點云，以細化重建細節(jié)。這種點云表示方式天然契合光聲源的稀疏特性（如血管網(wǎng)絡），避免了體素網(wǎng)格的分辨率與計算成本權衡問題，同時算法基于可微分聲輻射模型，支持高效的梯度反向傳播，確保了快速收斂。
在模擬實驗中，研究人員以人手血管網(wǎng)絡為目標組織，使用k-Wave工具生成地面真實數(shù)據(jù)。成像區(qū)域尺寸為80毫米×104毫米×40毫米，網(wǎng)格間距0.2毫米，總網(wǎng)格量約4千萬。初始密集平面陣列包含122,500個傳感器，通過下采樣得到49、196、576和4900個傳感器的稀疏配置。SlingBAG算法與通用反投影算法和基于半解析前向模型的迭代重建算法進行了比較。結果顯示，在極端稀疏傳感器配置下（如僅49個傳感器），SlingBAG仍能重建出可識別的手血管輪廓，而傳統(tǒng)方法則出現(xiàn)嚴重偽影和模糊。隨著傳感器數(shù)量增加，SlingBAG的重建質量迅速提升，在4900個傳感器時近乎完美匹配地面真實數(shù)據(jù)，且優(yōu)于使用全部122,500個傳感器的反投影結果。定量評估指標（如結構相似性指數(shù)、均方誤差和峰值信噪比）證實，SlingBAG在所有傳感器數(shù)量下均最優(yōu)，尤其在稀疏配置下，其三維體積重建的峰值信噪比可達40.78分貝，凸顯了優(yōu)異的偽影抑制能力。
03體內實驗驗證與應用效果
在體內動物實驗中，數(shù)據(jù)來自Kim教授實驗室使用1024元半球形超聲換能器陣列采集的小鼠腦、大鼠腎和大鼠肝樣本。SlingBAG算法與傳統(tǒng)方法相比，在血管清晰度和偽影抑制方面表現(xiàn)突出。例如，小鼠腦重建中，SlingBAG揭示了更多細微血管細節(jié)，對比度噪聲比達到46.39，高于反投影的31.06和模型迭代重建的41.05。在大鼠腎和肝實驗中，SlingBAG有效消除了弧形偽影，提升了血管連續(xù)性和分辨率。這些結果證明了算法在真實生物組織中的魯棒性，為臨床前研究提供了可靠工具。此外，算法在計算資源方面優(yōu)勢顯著：對于4900個傳感器的平面陣列實驗，SlingBAG僅需3.56 GB GPU內存，而傳統(tǒng)迭代方法理論內存需求高達19.32 GB；在半球形陣列實驗中，SlingBAG內存使用為2.99 GB，傳統(tǒng)方法則達85.87 GB，使其在消費級GPU上即可運行，大幅降低了實施門檻。
04算法效率與重建速度分析
SlingBAG算法在計算時間上也具顯著優(yōu)勢。例如，在196個傳感器配置下，算法僅需2.39小時完成重建，而傳統(tǒng)方法因內存溢出無法處理相同規(guī)模數(shù)據(jù)。對于4900個傳感器的大規(guī)模模擬，SlingBAG耗時約24小時，但仍快于基于積分表的模型迭代方法（需34.62小時）。這種高效性源于點云模型的可微分設計和自適應優(yōu)化，避免了體素網(wǎng)格的全場計算負擔。算法還支持生成虛擬傳感器信號，為傳感器插值研究提供便利，進一步拓展了應用潛力。
創(chuàng)新與亮點
本論文突破的具體成像難題在于傳統(tǒng)迭代重建算法無法平衡大規(guī)模三維光聲成像的質量與效率。傳統(tǒng)方法依賴體素網(wǎng)格表示，導致內存需求隨規(guī)模指數(shù)增長，且在半解析模型中存在近似誤差，限制了在稀疏傳感器和有限視角條件下的應用。SlingBAG算法通過引入點云表示和自適應高斯球生長機制，解決了這一難題：點云模型天然稀疏，避免了網(wǎng)格存儲開銷；可微分聲輻射器確保物理準確性；自適應優(yōu)化則動態(tài)調整點云密度，精準捕捉生物結構細節(jié)。
提出的新成像技術核心是點云基于的迭代重建框架，其靈感來源于計算機圖形學中的三維高斯濺射技術。該技術將光聲源離散化為多階同心球體，基于聲波方程解析解構建可微分前向模型，實現(xiàn)端到端訓練。與傳統(tǒng)方法相比，SlingBAG不依賴顯式正則化，而是通過點云操作隱式施加稀疏約束，簡化了優(yōu)化流程。技術細節(jié)包括粗-細兩階段優(yōu)化、點云-體素著色器轉換，以及學習率調度，確保穩(wěn)定收斂。
在光學生物醫(yī)療領域的實際價值方面，SlingBAG技術有望推動大規(guī)模三維光聲成像的臨床轉化。例如，在全身小動物成像中，可實現(xiàn)實時監(jiān)測血管動態(tài)；在外周血管疾病診斷中，稀疏傳感器陣列可降低系統(tǒng)成本，促進便攜式設備開發(fā)；在乳腺或甲狀腺腫瘤成像中，能提供高分辨率三維視圖，輔助早期篩查。此外，低資源需求使得該技術易于在多樣臨床環(huán)境中部署，提升成像可及性。未來結合聲速非均勻性擴展后，將進一步增強在復雜組織中的適用性。
總結與展望
SlingBAG算法通過點云基于的迭代重建范式，成功解決了大規(guī)模三維光聲成像的高內存和計算瓶頸，在稀疏傳感器配置下實現(xiàn)了高質量、低資源消耗的重建效果。論文通過模擬和體內實驗驗證了算法的優(yōu)越性，其創(chuàng)新點在于將計算機圖形學技術融入光聲物理模型，為生物醫(yī)學成像開辟了新路徑。展望未來，研究可進一步擴展到非均勻聲速介質中，例如通過球諧函數(shù)建模聲速各向異性；同時，結合顯式正則化技術可能提升噪聲環(huán)境下的魯棒性。隨著算法優(yōu)化和硬件發(fā)展，SlingBAG有望成為實時三維光聲成像的標準工具，推動其在精準醫(yī)療和基礎研究中的廣泛應用。
聲明：本文僅用作學術目的。
Li S, Wang Y, Gao J, Kim C, Choi S, Zhang Y, Chen Q, Yao Y, Li C. SlingBAG: point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging. Nat Commun. 2025 Dec 6;17(1):128.
DOI:10.1038/s41467-025-66855-w.
