智能皮肤去除算法光声深度成像的应用

光声成像（PAI）作为生物医学领域的新兴成像技术，融合了光学成像的高对比度与超声成像的深度穿透优势。光声计算层析成像（PACT）作为其中的重要分支，无需外源性对比剂即可实现厘米级深度的组织成像，展现出巨大的临床应用潜力，尤其在乳腺成像等领域已进入预临床研究阶段。然而，皮肤组织中的黑色素含量较高，在成像过程中会产生强烈的光声信号，掩盖皮下深层组织信息，阻碍了感兴趣区域光声图像的高质量展示与分析。因此，如何有效去除PACT图像中的皮肤信号，成为提升深层组织成像质量的关键问题。

光声成像技术自诞生以来，便以其独特的优势在生物医学研究中崭露头角。它能够跨越细胞、组织和器官层面，实现多尺度、多分辨率的成像，为疾病早期诊断、功能研究等提供了有力工具。PACT通过使用超声阵列探测组织信号，具备大视场下的高速成像潜力，适用于小动物全身成像及人体器官成像。

但与此同时，皮肤信号的干扰问题日益凸显。皮肤作为人体最大的器官，其在成像时产生的光声信号强度远高于皮下组织，尤其在深层成像中，这种干扰更为严重。现有的皮肤去除方法多基于传统图像处理技术，存在诸多局限性。例如，手动标注方法耗时费力，难以满足高分辨率、大区域图像的需求；基于信号强度或形态特征的自动检测算法，在光照不均或皮肤信号与背景差异较小的情况下，容易出现误判，导致皮肤信号提取不准确。

此外，随着深度学习在图像分割领域的兴起，其在光声成像中的应用逐渐受到关注。然而，直接将深度学习方法应用于PACT深层组织皮肤去除仍面临挑战。一方面，像素级皮肤和血管分类的人工标注方法效率低下；另一方面，重建伪影和光照强度变化导致皮肤区域信号强度不均匀，增加了完整连续皮肤信号提取的难度。

研究团队提出了一种融合多尺度感知和残差连接的U型深度学习模型（MD-ResUnet），并实现了PACT光声图像中皮肤信号的智能分割与去除。

基于深度学习的PACT皮肤信号去除方法

非像素级皮肤区域标注方法：以单类皮肤区域标注为基准标签图像，无需像素级图像标注，显著降低了数据处理的复杂度。通过分析人体腿部光声图像，选择合适像素长度作为人工标注时的皮肤厚度，使用绘图软件中的钢笔工具直接绘出皮肤区域。

多尺度膨胀卷积与残差连接：模型由编码器和解码器组成，残差块依次进行卷积、批标准化和ReLU激活。在编码器最底层设计带残差的多尺度膨胀卷积块，通过不同膨胀率的卷积核提取特征信息并进行融合，有效拟合信号强度不同且不连续的皮肤表面，提高皮肤提取的完整性和连续性。

皮肤完整性拟合与掩膜生成算法：针对皮肤分割结果中可能出现的小不连续片段和少量血管被误预测为皮肤的情况，设计了后处理操作，包括删除小连通区域和拟合不完整皮肤。通过阈值方法将网络预测概率图转化为二值图像，采用去除小连通区域的方法过滤假阳性部分。对于皮肤中间断开和末端不完整提取的情况，分别进行线性拟合，并增加皮肤厚度，最终得到完整连续的皮肤图像。根据分割出的皮肤图像确定皮肤下边界，生成皮肤去除掩膜，通过二值掩膜图像与原始光声图像的像素级点乘，重构出无皮肤信号干扰的高对比度光声图像。

皮肤完整性拟合流程

掩膜生成与皮肤去除流程图

为验证所提方法的有效性，研究团队开展了人体腿部外周血管PACT成像实验。实验数据集由中国科学院深圳先进技术研究院提供，包含4组半环阵列-PACT系统采集的人体腿部外周血管光声数据，每组数据集包含750帧，每帧大小为6 cm×4 cm，成像区域尺寸为15 cm×6 cm。其中，50%的数据用于训练和验证网络，剩余50%用于预测模型性能。模型训练过程中，将原始B-Scan图像归一化后直接投入网络模型，以学习整体的皮肤轮廓。

人体腿部外周血管PACT成像实验

实验结果表明，MD-ResUnet模型在皮肤分割任务中展现出良好的性能。与传统的Unet和ResUnet模型相比，MD-ResUnet能够更准确、更完整地提取皮肤区域。在量化评估中，MD-ResUnet模型在两个数据集上的准确率、Dice系数、灵敏度、特异性等指标均优于其他模型。同时，MD-ResUnet在皮肤去除后的图像质量上也表现出色，与传统方法相比，均方误差指标降低了约50%~70%，峰值信噪比平均提高了约4.5 dB，结构相似性也有明显提升。

进一步对比实验显示，所提深度学习方法能够更彻底地去除皮肤信号，还原更加真实、清晰的深层组织结构。与Zhang等提出的局部加权拟合方法相比，MD-ResUnet方法在去除皮肤信号的同时，保留了更多的皮下血管细节信息，显著提高了深层血管网络的清晰度。通过对典型B-Scan图像的皮肤去除效果对比，可以明显看出，Zhang等的方法在某些图像上仍存在大量断续的皮肤信号，而MD-ResUnet方法能够去除几乎全部的皮肤组织，这在放大子图中更为直观。

皮肤去除算法的比较

研究基于PACT图像与人体皮肤特征，提出了一种以皮肤区域分割为核心的PACT深层组织图像皮肤去除方法，并设计了新型U型学习网络MD-ResUnet。该方法通过非像素级皮肤区域标注降低了数据处理复杂度，利用多尺度膨胀卷积与残差连接提高了皮肤提取的完整性和连续性，通过皮肤完整性拟合与掩膜生成算法实现了皮肤信号的自动去除。实验结果验证了所提方法在皮肤组织高精度智能提取和去除方面的正确性和有效性，为PACT深层组织高质量图像生成提供了一种有效途径。然而，当前网络模型仍存在不足之处，无法实现完全连续的皮肤区域提取，部分断开的皮肤间隙依然存在。未来的研究将致力于进一步优化网络模型结构，探索新的深度学习方法，以实现更加精确、完整的皮肤信号去除。

声明：本文仅用作学术目的。

袁怡鑫, 陈涛, 刘成波, 孟静. 光声计算层析成像中的皮肤智能去除方法[J]. 中国激光, 2023, 50(21): 2107111. 

DOI:10.3788/CJL230930.