撰稿 | 蒋宇轩
荧光扩散光学断层成像(Fluorescence Diffuse Optical Tomography，FDOT)是一种基于扩散光的光学分子成像技术，主要是对小动物整体或者特定器官内荧光探针的三维空间分布进行定位和定量成像，又称为荧光分子断层成像(Fluorescence Molecular Tomography，FMT)。由于成像光子是高散射光子，FDOT逆向问题具有高度的病态性，而生物组织结构的复杂性，生物组织光学参数测量的不准确性，使光子在生物体内传播的正向建模不可避免的存在建模误差，因此导致FDOT成像伪影多、定位和定量精度低等问题。
近年，脑空间信息学团队邓勇老师课题组深入研究了用于荧光扩散光学断层成像的模型驱动深度学习方法，实现了低伪影、高精度的断层成像。3篇相关研究成果分别以Interpretable model-driven projected gradient descent network for high-quality fDOT reconstruction、High-fidelity mesoscopic fluorescence molecular tomography based on SSB-Net以及Deep background-mismodeling-learned reconstruction for high-accuracy fluorescence diffuse optical tomography在线发表于《Optics Letters》。
模型驱动的深度学习将传统的基于模型的迭代方法和数据驱动的深度学习方法相结合，是一种基于物理的深度学习方法，它具有强大的学习能力，同时保留了特定问题的物理先验性，这使得它在实际应用中具有很高的适用性。这些基于物理的深度学习网络可以很容易地结合物理先验，并提供卓越的泛化能力。
图1展示了MPGD-Net在体实验结果，这是模型驱动深度学习方法首次应用于扩散光学成像领域，MPGD-Net重建的图像质量优于传统方法，并且比用于fDOT重建的其他数据驱动的神经网络更具可解释性。
图1 MPGD-Net与FIST算法的在体实验结果比较
随后，针对反射几何探测模式的FDOT成像，发展了一种空间自适应分离布雷格曼网络（Spatially adaptive split Bregman network, SSB-Net），该方法可以自适应的学习空间非均匀误差补偿、空间依赖性近端算子和稀疏变换，从而克服了探测灵敏度的空间不均匀性，促进重建稀疏性，最终实现了高保真度的成像，结果如图2所示。
图2 SSB-Net与SB-IRL1算法的生物组织实验结果比较
进一步，针对360度非接触自由空间探测的FDOT成像模式，提出了一种背景误建模深度学习框架用于解决其定量成像的难题。该方法基于L1-FDOT物理成像模型，以数学约束形式构造含有背景建模误差的可学习正则化项，并设计模型驱动的深度学习网络去学习这个正则化项，从而可隐式地获得背景误建模以实现高精度定量成像，结果如图3所示。这个背景误建模学习框架能够推广至其他具有背景误建模的基于线性反演问题的一类成像模态，可大幅提升成像性能。
图3 FIST-Net与FIST-LM算法的在体实验结果比较
所述研究均得到科技创新2030-“脑科学与类脑研究”重大项目(2021ZD0204402)、国家自然科学基金(61775066)和武汉光电国家研究中心创新基金的资助。华中科技大学武汉光电国家研究中心硕士研究生华泳州、博士研究生刘锴贤、蒋宇轩分别为3篇文章的第一作者。华中科技大学武汉光电国家研究中心邓勇教授为通讯作者。共同作者包括海南大学骆清铭院士，华中科技大学武汉光电国家研究中心博士研究生李文松、工程科学院本科生陈海涛。
论文链接：
https://opg.optica.org/ol/fulltext.cfm?uri=ol-47-10-2538&id=472698
https://opg.optica.org/ol/fulltext.cfm?uri=ol-48-2-199&id=524604
https://opg.optica.org/ol/fulltext.cfm?uri=ol-48-13-3359&id=531810
