光聲成像（PAI）作為生物醫學領域的新興成像技術，融合了光學成像的高對比度與超聲成像的深度穿透優勢。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厘米級深度的組織成像，展現出巨大的臨床應用潛力，尤其在乳腺成像等領域已進入預臨床研究階段。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，阻礙了感興趣區域光聲圖像的高質量展示與分析。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量的關鍵問題。

研究背景與技術挑戰
光聲成像技術自誕生以來，便以其獨特的優勢在生物醫學研究中嶄露頭角。它能夠跨越細胞、組織和器官層面，實現多尺度、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。現有的皮膚去除方法多基于傳統圖像處理技術，存在諸多局限性。例如，手動標注方法耗時費力，難以滿足高分辨率、大區域圖像的需求；基于信號強度或形態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，容易出現誤判，導致皮膚信號提取不準確。

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

技術創新與應用
研究團隊提出了一種融合多尺度感知和殘差連接的U型深度學習模型（MD-ResUnet），并實現了PACT光聲圖像中皮膚信號的智能分割與去除。

非像素級皮膚區域標注方法：以單類皮膚區域標注為基準標簽圖像，無需像素級圖像標注，顯著降低了數據處理的復雜度。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、批標準化和ReLU激活。在編碼器最底層設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的皮膚表面，提高皮膚提取的完整性和連續性。

皮膚完整性擬合與掩膜生成算法：針對皮膚分割結果中可能出現的小不連續片段和少量血管被誤預測為皮膚的情況，設計了后處理操作，包括刪除小連通區域和擬合不完整皮膚。通過閾值方法將網絡預測概率圖轉化為二值圖像，采用去除小連通區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，最終得到完整連續的皮膚圖像。根據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，重構出無皮膚信號干擾的高對比度光聲圖像。

成像實驗與結果分析
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。實驗數據集由中國科學院深圳先進技術研究院提供，包含4組半環陣列-PACT系統采集的人體腿部外周血管光聲數據，每組數據集包含750幀，每幀大小為6 cm×4 cm，成像區域尺寸為15 cm×6 cm。其中，50%的數據用于訓練和驗證網絡，剩余50%用于預測模型性能。模型訓練過程中，將原始B-Scan圖像歸一化后直接投入網絡模型，以學習整體的皮膚輪廓。

實驗結果表明，MD-ResUnet模型在皮膚分割任務中展現出良好的性能。與傳統的Unet和ResUnet模型相比，MD-ResUnet能夠更準確、更完整地提取皮膚區域。在量化評估中，MD-ResUnet模型在兩個數據集上的準確率、Dice系數、靈敏度、特異性等指標均優于其他模型。同時，MD-ResUnet在皮膚去除后的圖像質量上也表現出色，與傳統方法相比，均方誤差指標降低了約50%~70%，峰值信噪比平均提高了約4.5 dB，結構相似性也有明顯提升。

進一步對比實驗顯示，所提深度學習方法能夠更徹底地去除皮膚信號，還原更加真實、清晰的深層組織結構。與Zhang等提出的局部加權擬合方法相比，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信息，顯著提高了深層血管網絡的清晰度。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域分割為核心的PACT深層組織圖像皮膚去除方法，并設計了新型U型學習網絡MD-ResUnet。該方法通過非像素級皮膚區域標注降低了數據處理復雜度，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性，通過皮膚完整性擬合與掩膜生成算法實現了皮膚信號的自動去除。實驗結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深層組織高質量圖像生成提供了一種有效途徑。然而，當前網絡模型仍存在不足之處，無法實現完全連續的皮膚區域提取，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化網絡模型結構，探索新的深度學習方法，以實現更加精確、完整的皮膚信號去除。

論文信息
聲明：本文僅用作學術目的。
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.