◆ SPECIAL ISSUE ◆

AI-Empowered Biomedical Optical Imaging: From Image Reconstruction to Biomedical Applications

Journal of Innovative Optical Health Sciences

Vol. 19, Issue 04 | July 2026

本专刊聚焦AI赋能的生物医学光学成像前沿研究，涵盖深度学习驱动的光声三维成像插值、Raman散斑图像重建、光场显微计算成像、MRI引导近红外光谱断层成像、OCTA运动伪影去除、虚拟病理染色等最新进展，展示了人工智能技术在光学图像重建、增强和生物医学应用中的创新突破，为精准诊断和术中导航提供了新思路和新工具。

📋 Guest Editor

Junle Qu（屈军乐，深圳大学）

Review

Vol.19 No.04

# Fluorescence Resonance Energy Transfer as a Molecular Ruler: Quantitative and Semi-quantitative Measurement Approaches and Emerging AI-enabled Tools

📏 Authors: Shencai Peng, Shuo Tang, Dingshan Zheng, Zhiyu Xiao, Zhengyin Wang, Min Hu, Zhengfei Zhuang

荧光共振能量转移（FRET）是探测纳米尺度分子相互作用和动力学的光学工具。尽管广泛应用，可靠的FRET效率定量和半定量估计仍具挑战性，因为不同测量模式依赖不同的光物理假设、校正步骤和分析模型。本综述总结了FRET效率估计的主要策略，包括强度方法（敏化发射和受体光漂白）、寿命方法（FLIM-FRET和时间分辨FRET）以及光谱方法，并讨论了新兴的AI赋能工具如何提升FRET定量分析的准确性和效率。

🔑 Keywords: FRET; Molecular ruler; AI-enabled tools; Quantitative measurement

Review

Vol.19 No.04

# Deep Learning-driven Computational Imaging for Light Field Microscopy

🔬 Authors: Wenshuang Liang, Beibei Gao, Lu Gao, Wei Ge, Fu Wang

光场显微镜（LFM）凭借其快照式三维成像能力，已成为观察动态活体样本的重要工具。为克服传统算法在分辨率和重建速度上的局限，深度学习在光场显微成像中的应用已成为关键发展方向。本综述介绍了LFM的基本理论和经典算法，系统梳理了深度学习方法在LFM中的应用进展，包括视角合成、三维重建、分辨率增强和噪声抑制等方面，展望了该领域的未来发展方向。

🔑 Keywords: Light field microscopy; Deep learning; Computational imaging; 3D reconstruction

Review

Vol.19 No.04

# Quantitative Oximetry with Photoacoustic Computed Tomography: Principles, Progress, and Prospects

🫁 Authors: Xingyang Liu, Chuhua Wu, Songde Liu, Chenlong Zhu, Rongkang Gao, Cheng Ma, Chao Tian

光声计算断层成像（PACT）兼具高空间分辨率和深穿透能力，为无创映射组织血氧饱和度（sO₂）这一关键代谢和病理生理标志物提供了巨大前景。然而，实现准确的定量sO₂映射面临着光通量的时空非均匀性等根本挑战。本综述系统阐述了PACT定量血氧成像的物理原理、校准策略和图像重建方法的最新进展，并对AI辅助的光通量校正和光谱解混等新兴方向进行了展望。

🔑 Keywords: Photoacoustic computed tomography; Quantitative oximetry; Tissue oxygen saturation; Light fluence correction

Review

Vol.19 No.04

# Biomedical Applications of Full-spectrum Photoacoustic Imaging for Wavelength-dependent Endogenous Molecules

🔊 Authors: Liwen Jiang, Yuanlin Chen, Pengwei Han, Hao Zhang, Jingran Shao, Zhen Tian, Feng Gao, Jiao Li

光声成像利用声波在生物组织中弱散射的特性，突破传统光学成像的穿透极限，成为一种前景广阔的生命科学成像技术。通过分析内源性分子独特的光吸收光谱，光声成像可识别多种波长依赖的内源性分子。本综述总结了全光谱光声成像中常用的特征分子，系统阐述了其在肿瘤检测、血氧映射、脑功能成像等生物医学应用中的最新进展，并对多波长光声成像的未来发展方向进行了展望。

🔑 Keywords: Full-spectrum photoacoustic imaging; Endogenous molecules; Wavelength-dependent; Biomedical applications

Review

Vol.19 No.04

# Recent Advances in Nonlinear Optical Techniques for Metastatic Melanoma Diagnosis and Mechanistic Studies

🧬 Authors: Yihui Zhou, Wei Lu, Hyeon Jeong Lee

黑色素瘤是一种高度侵袭性皮肤癌，其复杂的代谢重编程驱动转移潜力和治疗耐药性。虽然局部黑色素瘤可有效治疗，但转移性黑色素瘤仍几乎无法治愈，亟需早期诊断和预后方法。本综述总结了非线性光学技术——特别是泵浦-探测显微镜和振动光谱——在黑色素瘤进展关键分子变化的体内研究中的最新进展。这些技术实现了黑色素素和脂滴的无标记实时成像，为黑色素瘤进展的分子机制提供了独特见解。

🔑 Keywords: Nonlinear optical techniques; Melanoma; Pump-probe microscopy; Vibrational spectroscopy; Metastasis

Research

Vol.19 No.04

# Self-supervised Spatial Interpolation for 3D Photoacoustic Imaging Using Deep Learning

🤖 Authors: Yu Zhang, Shuang Li, Yibing Wang, Yu Sun, Chulhong Kim, Seongwook Choi, Yan Su, Changhui Li

三维光声成像系统在体积成像方面具有显著优势，但有限的硬件资源常导致稀疏传感器配置，降低图像重建质量。本文提出了一种基于图神经网络（GNN）的自监督插值算法，用于3D光声成像。该方法将传感器视为节点并根据空间关系连接，仅需待插值数据作为输入，即可在训练后预测新传感器位置的时域光声信号，无需大量额外预训练数据。仿体和活体动物实验表明，该方法在信号和图像域均优于传统方法。

🔑 Keywords: 3D photoacoustic imaging; Self-supervised; Graph neural network; Spatial interpolation

Research

Vol.19 No.04

# Comparative Analysis of the Photobleaching Process and Formation of Fluorescent Photoproducts of Chlorin e6 and Methylene Blue in Solutions and in HeLa Cells

💡 Authors: Andrey V. Belashov, Anna A. Zhikhoreva, Zhenlong Huang, Fangrui Lin, Irina V. Semenova, Oleg S. Vasyutinskii, Junle Qu

二氢卟吩e6（Ce6）和亚甲蓝（MB）在光动力治疗中发生显著光降解，表现出不同的光稳定性，同时均产生与原始化合物光谱特征不同的荧光光产物。Ce6光漂白导致平均加权荧光寿命降低2倍，而MB因荧光光产物的贡献使该参数增加50%。光产物还改变了两种药物的吸收和发射光谱。在HeLa细胞中也观察到类似的荧光参数变化规律，这些光漂白过程可用于光动力治疗的实时监测和照射剂量调节。

🔑 Keywords: Photobleaching; Chlorin e6; Methylene blue; Photodynamic therapy; Fluorescent photoproducts

Research

Vol.19 No.04

# Deep Learning-assisted Reconstruction of Raman Speckle Images Transmitted Through Biological Tissues

🧪 Authors: Haoqiang Xie, Erjia Wang, Zhouzhou Bao, Zhou Chen, Linley Li Lin, Jian Ye

手术中精确划定肿瘤组织边界受生物组织中光子强散射和吸收的阻碍，模糊分子成像信号并影响术中导航。本文提出了一种深度学习辅助的Raman散斑图像重建方法。合成了间隙增强共振Raman标签（GERRTs），在纸基上绘制Raman图案，采集透过4 mm猪组织的散斑Raman图像，采用U-Net架构实现高分辨率空间细节的恢复。该模型平均SSIM达0.539，PSNR达19.04 dB，为深度学习辅助Raman散射组织成像提供了概念验证框架。

🔑 Keywords: Deep learning; Raman imaging; SERS; U-Net; Scattering tissue; Surgical navigation

Research

Vol.19 No.04

# A Hybrid CNN-Transformer Network for Magnetic Resonance Imaging-guided Near-infrared Spectral Tomography

🖥️ Authors: Mengfan Geng, Zhe Li, Yingnan Dang, Chengpu Wei, Yuzhu Tang, Tianyue Xin, Zhonghua Sun, Kebin Jia, Ting Hu, Jinchao Feng

MRI引导的近红外光谱断层成像（NIRST）是一种用于乳腺癌早期检测和精准诊断的无创多模态技术。然而现有方法未充分利用MRI与NIRST的互补信息，限制了重建质量和诊断性能。本文提出了一种混合CNN-Transformer架构（CNN-Trans），用于MRI引导的NIRST重建。该网络结合CNN的局部特征提取能力和Transformer的全局关系建模能力，有效融合MRI结构先验与NIRST功能信息，实现了更高质量的图像重建。

🔑 Keywords: CNN-Transformer; MRI-guided NIRST; Breast cancer; Multimodal imaging; Deep learning reconstruction

Research

Vol.19 No.04

# Confocal Laser Speckle Time-autocorrelation Imaging with Adaptive Orientation Spatial Windows

🔬 Authors: E. Du, Haohan Zheng, Honghui He, Zhipeng Huang, Weizu Zhang, Shiguo Li, Weifeng Zhang, Guoqing Wang, Yuan Zhou, Tingxue Xin, Shuhao Shen

传统激光散斑对比成像（LSCI）受静态散射和有限定量精度的制约。本文提出了一种基于自适应方向空间窗口的共焦激光散斑时间自相关成像方法。该方法实现了高空间分辨率和实时性能，克服了噪声敏感性和计算效率问题，为未来临床微血管血流评估提供了可靠基础，能够精准监测微循环状态。

🔑 Keywords: Laser speckle imaging; Real-time microcirculation monitoring; Adaptive spatial window

Research

Vol.19 No.04

# A Self-supervised Learning-based Method for Simultaneous Motion Artifacts Removal and Denoising of OCTA Images

🤖 Authors: Yuzeng Xu, Songwen Xu, Di Yang, Yanmei Liang

运动伪影和噪声是决定OCTA图像质量的关键因素。本文设计了一种基于Swin Transformer的多尺度运动伪影与噪声并行去除网络（ST-MANPR），学习运动伪影和噪声与干净OCTA图像之间的非线性映射关系，可在不同噪声强度水平下同时去除运动伪影和噪声。构建了多强度水平的OCTA图像数据集用于训练和评估，实验结果表明该网络能有效同时去除OCTA图像中的运动伪影和噪声。

🔑 Keywords: OCTA; Self-supervised learning; Motion artifacts removal; Swin Transformer; Denoising

Research

Vol.19 No.04

# Pix2Pix-driven Virtual Pathology Staining Based on Phase Contrast Microscopy: A Low-cost Strategy for Rapid Intraoperative Assessment of Breast Cancer

🏥 Authors: Yunhong Li, Jianbo Zhu, Huijie Wang, Jing Pei, Zichen Ling, Sheng Ding, Linwei Shang, Jianhua Yin

术中病理评估需要快速、高质量的染色切片支持手术决策，但目前缺乏经济有效的术中快速染色方法。本研究首次将低成本相差显微镜（PCM）成像与Pix2Pix GAN结合，构建术中冰冻切片虚拟染色框架，将无标记相差图像转换为H&E染色等效图像。Pix2Pix在相差模式下生成清晰的核边界和准确的组织结构，SSIM达0.57，PSNR达21.65，处理速度1.5 s/mm²，可在3分钟内生成标准WSI虚拟染色切片，显著加速诊断流程。

🔑 Keywords: Virtual staining; Pix2Pix GAN; Phase contrast microscopy; Breast cancer; Intraoperative assessment

Research

Vol.19 No.04

# Evaluation of Animal Corneal Stroma as a Human Model: A Raman Spectroscopic Analysis of Biochemical Composition

👁️ Authors: Yaohua Zhang, Yong Li, Zexian Zhao, Lin Shi, Shengsheng Wei, Ming Han, Zhe Yu, Xirui Su, Jing Du, Jing Li, Qi Zeng, Xueli Chen

本研究通过拉曼光谱比较人和动物角膜基质的生化成分差异，评估动物角膜作为实验模型的适用性。对7个新鲜猪角膜、6个新鲜兔角膜和12个人类角膜基质透镜进行拉曼微光谱分析，使用SVM、KNN、随机森林和决策树四种机器学习算法进行分类。SVM、KNN和RF模型使用原始光谱实现了100%分类准确率。人近视角膜基质与动物模型在核酸和含水量相关区域存在差异，猪角膜比兔角膜更接近人角膜，是更合适的动物模型。

🔑 Keywords: Animal models; Corneal stroma; Myopia; Raman spectroscopy; Machine learning

支持单位：