导语

血氧饱和度（sO₂）是评估组织代谢与病理状态的关键指标。光声计算断层成像（PACT）凭借光学高对比度与超声深穿透性的优势，成为非侵入性血氧成像的有力工具。然而，深层组织中光通量的光谱依赖性导致了“光谱染色效应”严重制约了定量精度。本文系统回顾了PACT定量血氧测量的发展历程，从线性解混到光子输运建模、声谱分析、多模态融合、统计推断，再到深度学习驱动的物理融合策略，为研究人员提供了一份全面而前沿的技术参考。

Liu X, Wu C, Liu S, et al. Quantitative oximetry with photoacoustic computed tomography: Principles, progress, and prospects. J. Innov. Opt. Health Sci., 2026, 2630006.

DOI: 10.1142/S1793545826300065

正文

一、为什么PACT血氧定量如此困难？

PACT的初始声压p0与Grüneisen系数Γ、吸收系数μₐ和局部光通量Φ相关。问题是：Φ在深层组织中随波长和空间位置剧烈变化，导致测量到的光谱严重失真。传统线性解混假设“光通量与波长无关”，在深层组织中会系统性高估sO₂，误差可达10%以上。

图1：近红外波段内主要内源性发色团的吸收光谱。血液中的氧合血红蛋白（HbO₂）与脱氧血红蛋白（HbR）在650-900 nm波段内吸收显著高于水、脂质等背景组织，且二者光谱形态差异明显。图中展示了纯HbO₂、纯HbR以及典型动脉血（sO₂ ≈ 98%）和静脉血（sO₂ ≈ 70%）的理论吸收曲线。这一光谱对比是PACT实现血氧成像的物理基础。

二、六大类定量策略对比

1.线性解混（Linear Unmixing）

优点：简单、快速

局限：仅适用于浅层（<1 mm），深层误差大

误差：>10%

2.光子输运建模（Photon Transport-based）

包括：先验正向模拟（如蒙特卡洛、扩散近似）与模型迭代反演

优点：物理严谨，适合复杂介质

局限：计算量大，依赖组织光学先验参数

误差：约5-10%

图3：基于光子输运模型的两种典型工作流程及验证结果。（a）先验正向模拟：利用已知组织光学参数直接计算光通量分布；（b）模型迭代反演：通过不断最小化预测信号与实测信号之间的误差，同时求解吸收系数与光通量；（c）离体验证结果表明，采用SNR正则化局部光通量校正（LFC）后，sO₂估计误差从9.9%降至3.1%；（d）在体成像对比显示，像素级迭代校正（PWIC）相比基于分割的方法（SBDC/SBIC）能更准确地保留动脉中的高氧对比。

3.声谱分析（Acoustic Spectrum-based）

利用双波长信号功率谱比值自校准光通量衰减

优点：无需光学先验

局限：对信噪比和运动伪影敏感

误差：约5%

图4：基于声学频谱的自校准光通量补偿方法。（a）处理流程：提取原始射频信号 → 计算双波长功率谱比值 → 线性拟合得到频谱斜率 → 构建频域补偿滤波器 → 校正信号并重建图像；（b-d）通过频谱比值线性拟合可有效恢复衰减信号；（e-f）在猪组织覆盖的血管仿体验证中，该方法将sO₂估计误差从18.1%降至4.7%，且无需依赖任何光学先验知识。

4.多模态融合（Multimodality Fusion）

如PACT+DOT/UOT

优点：物理上解耦吸收-光通量

局限：系统复杂、成本高

误差：<5%

图5：多模态融合策略辅助光通量补偿。（a-d）PACT联合扩散光学断层成像（DOT）：利用DOT重建背景光学参数并计算光通量，校正后各吸收体之间的吸收系数误差从约33%降至6%；（e-h）PACT联合超声调制光学断层成像（UOT）：UOT直接测量光通量分布，用于校正PA图像，有效恢复了深层肿瘤等组织的对比度。多模态融合从根本上解决了单一PACT模态中吸收-光通量耦合的病态逆问题。

5.统计模型（Statistical Model-based）

如贝叶斯eMSOT、凸锥（CC）方法

优点：鲁棒性强，可量化不确定性

局限：计算复杂度随维度增加，需要采集多波长数据

误差：约5%

图6 | 基于凸锥（CC）的统计推断方法及在体验证。（a-b）方法原理：通过蒙特卡罗模拟构建光通量谱的凸锥约束，每个sO₂对应的吸收谱与光通量锥逐元素相乘后形成对应PA信号锥。算法通过几何搜索找到与实测PA谱角度最接近的锥，从而估计sO₂；（c-d）在人体前臂静脉成像中，CC方法估计的sO₂与血气分析金标准高度一致（误差≈5%），且不依赖于精确的背景光学参数先验。

6.学习方法（Learning-based）

直接映射型：端到端网络，速度快，但缺乏可解释性，如U-Net

物理融合型：保留物理模型的框架，兼顾可解释性，如DL-eMSOT、FNO加速迭代、SQPA-Net等

优点：实时、非线性建模能力强

局限：训练时存在仿真-真实组织间域差异，泛化性低

误差：<4%（在体）

图7：深度学习直接映射框架用于光通量与吸收解耦。（a-b）双路径特征融合网络同时估计光通量（Φ）与吸收系数（μₐ），在体小鼠结果中实现了血管结构与背景组织的清晰分离；（c-f）基于仿体实验数据训练的网络（DL-Exp）相比传统线性解混信号（Cal. Signal）显著抑制了噪声与伪影，获得了更平滑、更符合生理实际的sO₂分布图。采用实验数据训练是缩小仿真-真实组织之间“域差异”的关键策略。

图8：物理融合型深度学习策略。（a-c）DL-eMSOT框架：混合神经网络直接回归本征光通量参数，替代传统迭代优化，在含缺氧血液仿体（sO₂ ≈ 0%）的小鼠模型中实现了高定量精度，同时计算速度提升60倍以上；（d-e）傅里叶神经算子（FNO）加速的迭代校正方法（FNO-AIC）：以FNO替代传统光子输运求解器，在保持传统迭代校正高保真度的前提下，计算速度提升30倍以上。该类方法兼顾了物理可解释性与深度学习的高效率。

三、挑战与未来方向

光谱染色效应：仍是核心障碍，需结合多波长设计补偿策略。

学习方法的域差异问题：仿真与真实组织之间的光学、声学、系统差异限制了深度学习的泛化能力。

临床转化瓶颈：实时性、鲁棒性、标准化、硬件集成仍需突破。

新机遇：光开关光声成像、联合声光重建、自监督学习等新兴技术值得关注。

结语

PACT定量血氧成像正处于从“方法论研究”向“临床平台”演进的关键阶段。没有一种方法能包打天下，未来最有可能的是：系统设计+物理建模+数据驱动的深度融合。只有在速度、鲁棒性与可集成性之间找到平衡，PACT才能真正实现对肿瘤缺氧、血管疾病、代谢监测等临床场景的非侵入式精准成像。

通讯作者简介

马骋，清华大学电子工程系副教授，研究方向为生物光子学；光声成像、组织光学；神经光子学；波前工程；多模态细胞成像。

更多详情见https://web.ee.tsinghua.edu.cn/macheng/

田超，中国科学技术大学精密机械与精密仪器系教授，主要研究方向为生物医学光子学、光声成像、医学超声、人工智能。

更多详情见https://faculty.ustc.edu.cn/tianchao/index.htm

支持单位：