导语

在肿瘤手术中，如何精准识别病灶边界是一大挑战。尽管拉曼成像技术具有高分子特异性，但在透过生物组织时，信号常常被散射和吸收严重干扰，形成杂乱无序的“散斑图像”，难以直接判读。近日，上海交通大学叶坚教授、林俐副教授、陈舟助理研究员研究团队在《Journal of Innovative Optical Health Sciences》上发表了一项突破性成果：利用深度学习（U-Net）成功从散射后的拉曼散斑图像中重建出清晰的原始图像，为术中导航提供了全新思路。本文第一作者为上海交通大学博士生谢浩强和原本科生王尔佳。

Haoqiang Xie, Erjia Wang, Zhouzhou Bao, Zhou Chen, Linley Li Lin, and Jian Ye.Deep learning-assisted reconstruction of Raman speckle images transmitted through biological tissues.Journal of Innovative Optical Health SciencesOnline ReadyOpen Access

https://doi.org/10.1142/S1793545826400080

正文

研究背景

光学分子成像在术中导航中极具潜力，但生物组织对光子的强散射与吸收，严重限制了图像的分辨率与可读性。尤其是拉曼成像，尽管其分子特异性高，但在穿过数毫米组织后，图像会退化为无序的“散斑”。

研究方法

研究团队使用自主合成的缝隙增强拉曼探针（Gap-Enhanced Resonance Raman Tags，GERRTs）作为高灵敏度拉曼探针，在纸上绘制多种图案，并通过扫描采集两类图像：

●参考图像：无组织遮挡，直接采集

●散斑图像：透过4mm猪组织后采集

共获得101对图像，并利用U-Net网络（一种对称编码-解码结构+跳跃连接的深度学习模型）进行重建训练。

图1：研究方案示意图。研究团队首先使用GERRTs拉曼纳米探针溶胶在纸上绘制多种图案，通过光纤探针逐点扫描获得清晰的参考拉曼图像。随后覆盖4 mm猪组织，采集因散射而退化的散斑拉曼图像。最后，利用U-Net深度学习模型从散斑图像中重建出原始图案结构。

主要结果

●U-Net在线状图案和封闭图案的重建中均表现最佳，能恢复清晰边缘和内部空洞。

●在4mm厚度组织下，U-Net重建的相似度SSIM达0.539，PSNR为19.04 dB，RMSE低至0.547，优于MHRN和SwinIR。

●在不同组织厚度（1-10 mm）测试中，U-Net在3-5 mm范围内重建效果最佳，超出该范围性能逐渐下降。

图5：不同模型对线状图案的重建效果对比。从左至右依次为：参考图像、输入散斑图像、MHRN重建结果、SwinIR重建结果、U-Net重建结果。可以看出，U-Net在保持线条连续性和交叉点清晰度方面明显优于另外两种模型，尤其对“T”“S”等复杂线状结构恢复最为完整。

图6：不同模型对封闭图案的重建效果对比。封闭图案（如圆环、三角形、双叶形等）透过组织后内部空洞完全消失。U-Net不仅能恢复外部轮廓，还能清晰重建内部空心结构，而MHRN和SwinIR则存在边界模糊或空洞填充不全的问题。

图8：不同组织厚度下U-Net的重建表现。以“O”形图案为例，随着猪组织厚度从1 mm增加至10 mm，输入散斑图像逐渐失去结构信息。U-Net在3-5 mm厚度范围内重建效果最佳，能恢复清晰的环形结构；当厚度超过6 mm后，重建质量显著下降，至8 mm以上几乎无法识别原始图案。值得注意的是，这里作者采用的是4mm厚度猪肉组织上训练的模型，证明模型在一定厚度范围仍具有泛化性。

主要创新点

●首次将深度学习用于拉曼散斑图像重建，解决生物组织散射下的图像恢复问题。

●采用U-Net架构，通过跳跃连接保留高分辨率空间信息，显著提升重建质量。

●系统研究不同厚度组织下的重建表现，明确模型的适用深度范围（3-5 mm）。

●结合高亮度的拉曼探针，增强信号强度，提升成像对比度。

应用前景

●术中肿瘤边界识别：帮助外科医生在手术中实时判断病灶范围，提高切除精度。

●深层组织光学成像：为拉曼成像在深层组织中的应用提供可行方案。

●多模态扩展：该深度学习框架也可推广至荧光成像、光学相干断层扫描等受散射影响的成像技术。

结语

这项研究证明了深度学习+拉曼成像在穿透散射组织方面的巨大潜力。尽管在极厚组织（>6 mm）中仍存在挑战，但该工作为未来术中光学导航、非侵入式诊断和组织功能成像提供了坚实的技术基础。

通讯作者简介

叶坚，上海交通大学特聘教授。研究方面为基于人工智能的等离激元纳米材料的模拟设计、合成制备、光学属性及其生物医学应用；拉曼光谱、表面增强拉曼光谱、缝隙增强拉曼探针及其生物医学应用；“数字胶体增强拉曼光谱”和“表面增强拉曼分子组学”的单细胞、单颗粒、单分子超灵敏检测，结合人工智能实现高灵敏、无标记、快速液体活检的疾病诊断和代谢组学检测。

更多详情见https://bme.sjtu.edu.cn/Web/FacultyDetail/57

林俐，上海交通大学生物医学工程学院长聘教轨副教授，研究方向为深穿透光谱技术（Deep Raman spectroscopy）设计和开发；等离激元金属纳米基底的设计与开发；基于拉曼光谱的肿瘤诊断和选择性小分子检测。

更多详情：https://bme.sjtu.edu.cn/Web/FacultyDetail/917

陈舟，上海交通大学生物医学工程学院助理研究员，研究方向为基于机器学习的拉曼光谱快速精准疾病早筛及诊断，多模态生物信息融合。

更多详情见https://bme.sjtu.edu.cn/Web/FacultyDetail/954

支持单位：