JIR-Net：用于光聲層析圖像重建的聯合迭代重建網絡

候英颯，孫正，2*，孫美晨

1.華北電力大學電子與通信工程系，保定 071003；2.華北電力大學河北省電力物聯網技術重點實驗室，保定 071003

0 引言

光聲層析成像（photoacoustic tomography，PAT）是一種新型的生物醫學成像技術。用短脈沖激光作為激勵源，生物組織吸收光能量并產生熱膨脹，進而激發出寬帶超聲波（即光聲信號）。用超聲探測器收集光聲信號，通過求解聲學逆問題，獲得顯示成像目標形態結構的光吸收能量分布圖或者初始聲壓分布圖（Park等，2022）。在此基礎上求解光學逆問題，可以實現定量成像。

常規的PAT 圖像重建方法有反投影（back projection，BP）法（Xu 和Wang，2005）、時間反演（timereversal，TR）法（Sun等，2016）、基于傅里葉變換的重建（Fourier transform-based reconstruction，FTR）方法、延遲求和（delay and sum，DAS）法以及迭代重建技術（iterative reconstruction technology，IRT）（Rosenthal 等，2013；Lutzweiler 和Razansky，2013）等。為了簡化問題，這些方法通常對成像場景進行理想化的假設。例如：超聲波在介質中以恒定的速度進行無損傳播，超聲探測器被簡化成理想的點探測器，能夠以足夠高的時間和空間采樣率在全視角內采集到完備光聲信號等。然而，在實際應用中，上述條件往往難以滿足。例如：超聲波在不同成分的介質中的傳播速度通常存在較大差異，在重建圖像的過程中，恒定聲速（speed of sound，SoS）的假設會導致圖像質量明顯下降。解決該問題的方法有兩種，一是在圖像重建中引入有關聲速分布的先驗知識，補償由于聲速變化引起的測量光聲場的像差，改善圖像的聚焦效果。此類方法需要已知聲速分布的先驗知識，然而多數情況下，在進行光聲成像前無法獲得該先驗知識（Huang 等，2013；Haltmeier 和Nguyen，2017）。另一種方法是根據光聲信號，同時重建聲速分布和初始聲壓或光吸收能量密度（absorbed optical energy density，AOED）分布，無需有關聲速的先驗知識（Zhang等，2008；Matthews 等，2018）。目前的主流方法是采用基于模型的迭代框架，即選擇適當的優化策略，迭代求解前向成像模型的逆問題（Huang 等，2016；Sun 和Sun，2021）。此類方法的重建精度很大程度上依賴于有關成像目標的先驗假設模型。為了降低問題的病態程度，需要合理選擇正則化方法及其參數。此外，求解過程非常耗時。

近年來，深度學習已成為醫學成像領域的研究熱點（唐朝生 等，2021；李書林 等，2022）。為了減輕逆問題求解中的病態，使用有監督學習進行圖像重建也成為該領域的最新技術，主要包括非迭代學習法和學習迭代法兩類（Farnia 等，2020；Guo 等，2021）。按照深度神經網絡輸入和輸出的不同，非迭代學習法分為信號增強、圖像增強和優化重建3 類（Lan 等，2019b，2021）。信號增強是采用“信號”到“信號”的轉換思路，利用深度學習技術提高原始光聲信號的信噪比，然后采用常規方法重建圖像（Awasthi 等，2020）。圖像增強采用“圖像”到“圖像”的轉換思路，首先采用常規方法重建初始圖像，然后用神經網絡對初始圖像進行優化（Vu 等，2020；Sun和Yan，2020）。這類方法的成像質量受到初始重建精度的限制，而采用常規方法重建圖像時，可能無法恢復原始信號中隱含的細節信息。特別是當探測器在有限角度內采集到不完備的光聲信號時，采用該方法很難完整地恢復出掃描盲區中的結構。優化重建方法是利用神經網絡直接學習“信號”到“圖像”的映射（Guan 等，2020）。網絡的輸入是原始信號或預處理后的信號，輸出是高質量圖像（Lan 等，2019a；Kim 等，2020）。此類方法需要利用全連接或大卷積核的卷積神經網絡解決輸入信號矩陣的非對稱性問題，難以獲得復雜目標的準確重建（Guo 等，2021；Lan等，2020）。

學習迭代法是將迭代重建技術與深度學習相結合，神經網絡從訓練數據中學習得到先驗約束，用于優化迭 代過程（Adler 和?ktem，2017；Shan 等，2019）。例如：利用神經網絡訓練正則化工具（Antholzer等，2019；Li等，2020），或者通過深度梯度下降（deep gradient descent，DGD）進行迭代更新（Boink 等，2020；Sun 等，2021），確保每次迭代都收斂于最優值。相較于傳統的迭代重建技術，學習迭代法可以通過更少的迭代獲得更高質量的圖像。但是由于神經網絡需要從訓練數據中學習先驗約束，因而此類方法的時間成本較高，訓練數據的質量也會對成像結果產生影響。

本文搭建一個基于學習迭代策略的聯合迭代重建網絡（joint iterative reconstruction network，JIRNet），根據有限角度稀疏光聲信號，同時重建AOED分布圖和聲速分布圖，解決由于不完備測量數據和不均勻聲速導致的圖像質量下降問題。采用仿真、仿體和在體數據訓練和測試網絡。通過與傳統非學習方法、非迭代學習方法和基于DGD 的學習迭代方法比較，證明在稀疏測量和組織聲學特性不均勻情況下，該方法重建光聲圖像的優勢。

1 基于迭代梯度網絡的聯合重建方法

基于學習迭代策略搭建卷積神經網絡模型，將AOED 和聲速的梯度下降信息融入到網絡的訓練中，通過反向傳播梯度下降求解非線性最小二乘問題，實現從不完備光聲信號到高質量AOED 分布圖和聲速分布圖的映射。

1.1 成像模型

短脈沖激光照射組織、成像平面內的AOED 與入射光輻射通量和組織光吸收系數之間的關系為

式中，A(r)和μa(r)分別是成像平面中位置r處的AOED 和光吸收系數，Φ(r)是光輻射通量。組織中的光吸收體基于光聲效應產生的初始聲壓為

式中，p0(r)是初始聲壓，Γ是熱膨脹系數。光聲信號在組織中的傳播用如下波動方程描述，具體為

式中，p(r，t)是位置r在時刻t的聲壓（pressure），I(t)是入射激光脈沖能量函數，c(r)是聲速（speed of sound，SoS），βe和Cp分別是組織的等壓膨脹系數和一定壓力下的比熱容。

從AOED到產生聲壓的過程用算子表示為

式中，p是到達探測器表面的聲壓矩陣，A是AOED矩陣，H(c)是與聲速c有關的算子。

求解如下非線性最小二乘問題，根據聲壓信號同時重建AOED和聲速分布，具體為

1.2 JIR-Net的結構

如圖1 所示，JIR-Net 的輸入是在成像平面內采集的聲壓信號矩陣和預先設置的常數聲速，輸出是AOED分布圖和聲速分布圖。

圖1 本文方法流程圖Fig.1 Flow chart of the proposed method

如圖2 所示，網絡由4 個結構單元組成，每個單元的輸入是前一個單元輸出的AOED 分布圖、歸一化聲速分布圖以及二者的梯度。一個單元由特征提取、特征融合和重建3個模塊組成，如圖3所示。

圖2 JIR-Net結構示意圖Fig.2 Architecture of JIR-Net

圖3 結構單元示意圖Fig.3 Schematic of a structural unit

特征提取模塊分別對4 個輸入進行兩次濾波核尺寸是5 × 5 ×S、步長為1的same卷積，S是當前層輸入的特征圖數量，四路輸入的特征通道數均為16。

特征融合模塊的作用是：將AOED 分布圖及其梯度進行像素值求和，將歸一化聲速分布圖及其梯度進行像素值求和，然后將得到的兩個特征圖沿通道維度拼接起來，并進行3次卷積操作。

重建模塊通過兩次卷積操作，得到AOED 和聲速的更新值，并通過遠跳連接，將該單元的輸入與當前層輸出的更新值進行像素值求和，最后的ReLU激活函數保證更新后的AOED 和速度分布是非負分布。

第i個結構單元輸入的AOED梯度為

式中，pk是訓練集中第k個樣本輸入的聲壓信號測量值，Ai-1，k和ci-1，k分別是經過i-1次迭代后第k個樣本輸出的AOED 估計值和反歸一化后的聲速估計值。為方便起見，文中將?d1，i[pk，H(ci-1，k)Ai-1，k]簡寫為?d1，i(?)。

聲速梯度利用伴隨波動方程求得。伴隨波動方程的表達式（Huang等，2016）為

式中，q(r，t)是伴隨波，s(r，t)是伴隨源，具體為

式中，rl是探測器的第l個測量位置，L是探測器測量位置的總數，(rl，t)是探測器在位置rl處時刻t測得的聲壓，p(rl，t)是聲壓理論值，由式（3）求得，δ(r-rl)是狄拉克函數。式（7）的初始條件為

式中，T是采集信號的時間長度。根據式（3）和式（7）得到聲速的梯度，具體為

根據式（10）計算第i個結構單元中聲速的梯度?d2，i[pk，Η(ci-1，k)Ai-1，k]，對其歸 一化后 表示為?d2，i，N[pk，Η(ci-1，k)Ai-1，k]，簡寫為?d2，i，N(?)。對第i個單元輸入的聲速分布ci-1歸一化，記為ci-1，N。

1.3 數據集

1.3.1 計算機仿真數據集

建立包含不同組織成分的計算機仿真模型，其中4 個模型的幾何結構如圖4 所示，并設置其組織特性參數，如表1 所示。采用蒙特卡羅方法模擬入射光在組織中的傳輸，得到成像平面中的光輻射通量（Wang 等，1995）。進而根據式（1），由光輻射通量和光吸收系數得到AOED（absorbed optical energy density）。采用MATLAB k-Wave 工具包仿真得到探測器接收的光聲信號（Treeby 和Cox，2010），其中加入30 dB 的高斯隨機噪聲。探測器采樣頻率和中心頻率分別設置為250 MHz 和5 MHz。將不同稀疏度的仿真光聲信號和常數聲速共同作為樣本輸入，將仿真AOED 分布圖和預設的聲速分布圖作為期望輸出，構建數據集。部分樣本示例如圖4 所示。

表1 仿真模型的組織特性參數Table 1 Characteristic parameters of simulated phantoms

圖4 仿真數據集中的樣本圖像示例（Amp·表示幅值Amplitude，a.u.表示任意單位arbitray units）Fig.4 Examples of samples in simulation datasets

構建了3 個由不同稀疏度仿真信號和不同常數聲速作為樣本輸入的仿真數據集，如表2 所示。用“（視角，采樣率）”表示數據稀疏度，如（180°，0.7）表示掃描角度是180°、采樣率為0.7。將每個數據集中的樣本隨機打亂，按照6∶3∶1 的比例劃分為訓練集、驗證集和測試集，利用驗證集選擇最佳網絡模型。

表2 仿真數據集的構成Table 2 Description of simulation datasets

1.3.2 仿體數據集

制作了14 個包含不同嵌入物的柱形仿體，不同材料的聲速和光吸收系數如表3 所列，制作細節如表4所列，部分仿體實物照片如圖5所示。

表3 制作仿體的不同材料的聲速和光吸收系數Table 3 SoS and absorption coefficients of different materials used to fabricate phantoms

表4 仿體的構成Table 4 Composition of phantoms

圖5 仿體實物照片Fig.5 Photos of phantoms

每個仿體的總長均為80 mm，橫截面直徑為20 mm。用于采集仿體光聲信號的成像系統采用Nd：YAG 激光器輸出的全波波長（680～900 nm）可調諧激光作為光源，脈沖重復率是10 Hz，脈沖寬度是7 ns，最大脈沖能量是120 mJ。超聲探測裝置由256個中心頻率為5 MHz、帶寬為60%的聚焦超聲換能器陣元，排列成覆蓋角度為270°的環形陣列。對每個仿體的掃描長度約為10 mm，對4個仿體（即表3中編號為I-1、I-3、II-8 和III-11 的仿體）得到的28 個掃描切片構成測試集，對其余10個仿體得到的69個掃描切片構成訓練集。樣本輸入的常數聲速均為1 500 m·s-1。為了避免產生過擬合，采用數據增強技術（包括隨機翻轉、旋轉和平移等）對訓練集進行擴增，最終的訓練集中包含4 140個樣本。

1.3.3 在體數據集

在體數據集由對活體小鼠進行全身掃描采集的光聲信號構成。成像系統采用Nd：YAG 激光器輸出的715 nm、730 nm、760 nm、800 nm、850 nm 可調諧激光作為光源，在730 nm 處的最大入射脈沖能量約為70 mJ，脈沖重復率是10 Hz，脈沖寬度是8 ns。超聲探測裝置是由128個中心頻率為5 MHz、帶寬為60%的聚焦超聲換能器陣元構成的環形陣列。利用前述每種波長的激光對俯臥位小鼠進行全身掃描，共獲得244 個切片，其中200 個切片數據用做構建訓練集，44個切片構建測試集，樣本輸入的常數聲速均設置為1 500 m·s-1。增強后的訓練集中包含4 392個樣本。

1.4 訓練網絡

采用自適應矩估計（adaptive moment estimation，Adam）梯度下降法（Kingma 和Ba，2017）沿各層參數梯度方向逐個單元進行參數優化。第i個單元的損失函數為

式中，L1，i和L2，i分別是第i個單元重建AOED分布圖（即任務1）和聲速分布圖（即任務2）的損失函數，具體為

式中，M是樣本總數，Atrue，k和ctrue，k，N分別是第k個樣本期望輸出的AOED 分布圖和歸一化聲速分布圖，Ai，k和ci，k，N分別是 第i個單元 輸出的 第k個樣本 的AOED估計值和歸一化聲速估計值，具體為

設置學習率為0.001，批處理大小為batch size=64，epoch=200。損失函數曲線如圖6 所示，可見隨著epoch 的增加，損失函數值逐漸減小，當epoch >200時，變化趨于平緩。

圖6 采用稀疏度為（180°，0.9）的仿真數據集訓練JIR-Net時，4個結構單元的損失函數曲線Fig.6 Loss of the four structural units when JIR-Net is trained using the simulation dataset with a sparsity of（180°，0.9）（（a）Unit 1；（b）Unit 2；（c）Unit 3；（d）Unit 4）

2 方法的性能評價

分別采用計算機仿真、仿體和在體成像數據定量評價JIR-Net 根據不完備光聲信號重建圖像的性能。仿真和仿體實驗的目的是在已知目標特性參數真實值的情況下，定量評估重建精度，并討論算法中的相關參數對其性能的影響。在體實驗的目的是驗證JIR-Net在真實場景中應用的可行性。

將JIR-Net 與經典TR 法（Sun 等，2016）、交替優化（alternative optimization，AO）法（Sun 和Sun，2021）、U-Net 后處理法（Sun 和Yan，2020）（簡稱U-Net）和DGD 網絡（Sun 等，2021）進行比較。AO 法是通過交替優化迭代求解信號測量值和理論值之間誤差最小的非線性最小二乘問題。U-Net 后處理法是將采用TR 法重建的低質量圖像作為U-Net 的輸入，最終輸出優化后的圖像。DGD 網絡共包含5 個結構單元。采用相同的數據集訓練JIR-Net、DGD 和U-Net，JIR-Net 和DGD 的訓練參數為batch size=64和epoch=200。U-Net 的訓練參數為batch size=1和epoch=200。U-Net、DGD 和JIR-Net 的訓練時間分別約為2.4 h、6.5 h和17 h。

在仿真實驗中，以仿真AOED 分布圖和預設的聲速分布圖作為標準圖像，采用峰值信噪比（peak signal noise ratio，PSNR）和結構相似度（structural similarity，SSIM）作為定量指標，評價重建圖像質量。重建圖像和標準圖像之間的SSIM 越大，PSNR 越高，表明重建質量越佳。仿體和在體實驗中，由于無法獲得AOED 的真實值，因此采用對比度（contrast ratio，CR）和對比 噪聲比（contrast-to-noise ratio，CNR）（單位：dB）作為量化指標評價AOED 圖像質量。CR衡量圖像灰度反差的程度，CNR是圖像中有用信號區域和背景區域之間對比度的度量。CR 和CNR 越高，表示重建圖像質量越好。此外，仿體實驗中，不同材料的聲速真實值是已知的（如表4 所列），因此采用PSNR和SSIM定量評價聲速分布的重建精度。在體實驗中，僅通過光聲掃描無法獲得聲速的真實值，因此采用視覺評估定性評價聲速分布的重建質量。

實驗中，仿真、TR 和AO 法實現的編程環境是MATLAB（R2016a，the Math Works，Inc.，Natick，Massachusetts），計算機配置為12th Gen Intel（R）Core（TM）i5-12500H CPU、16 GB RAM和Windows 11 64 位操作系統。神經網絡的搭建、訓練和測試的運行環境為Ubuntu 16.04，所用GPU是NVIDIA公司生產的GeForce 3090Ti，顯存為16 GB。操作系統是Ubuntu 16.04，編程語言是Python 3.7，深度學習框架是TensorFlow 2.6.0和Keras 2.0。

3 實驗結果與分析

分別對計算機仿真、仿體和在體3 種成像數據對網絡性能進行測試，并對實驗結果進行分析。

3.1 仿真實驗結果

對于不同稀疏度的仿真光聲信號，分別采用不同方法重建圖像的結果如圖7所示。由圖7可知，在全角度掃描時，信號的采樣率越低，AO和TR重建圖像的整體亮度也越低，這是由于在稀疏采樣時將未探測到的聲壓設為零造成的。采用深度學習方法重建圖像的視覺效果和評價指標明顯優于AO 和TR法。當采樣率較高時，3個網絡都可以重建出較高質量的圖像。但是當采樣率較低時（如0.3 和0.1），JIR-Net 重建圖像的質量則明顯優于DGD 和U-Net。而且JIR-Net重建圖像的質量并沒有隨著信號采樣率減小而明顯降低，這表明經過訓練的JIR-Net對測量信號的稀疏度具有一定的魯棒性。當進行有限角度掃描時，TR重建質量隨著掃描角度的減小而降低，角度越小，盲區越大，圖像中目標結構缺失的部分就越多。與TR相比，雖然AO和U-Net可以在一定程度上改善圖像質量，但是隨著掃描角度的減小，其能夠補全的盲區也越少。DGD雖然可以補全盲區，但由于假設聲速恒定，與真實聲速分布并不相符，因此存在目標嚴重變形的問題。而采用JIR-Net重建的圖像，無論視覺效果還是評價指標均優于其他方法，且掃描角度越小，優勢越明顯。180°掃描時，JIR-Net重建圖像的SSIM 比DGD 高約8.4%，比U-Net 高 約18.3%，PSNR比DGD高約17.4%，比U-Net高約74.7%。

圖7 根據不同稀疏度的仿真信號重建圖像的結果Fig.7 Results of image reconstruction from simulated signals with different sparsity（（a）AOED images；（b）speed of sound images；（c）AOED metrics；（d）SoS metrics）

3.2 仿體實驗結果

對仿體的圖像重建結果如圖8 所示，與實物照片對比，采用5 種方法重建的圖像都能夠可靠地顯示嵌入目標的位置。但是采用AO 和TR 法重建圖像的整體亮度明顯低于3 種深度學習方法重建的圖像。在DGD、U-Net、AO和TR重建圖像中，可以清晰地觀察到嵌入物周圍的偽影。而JIR-Net 重建的圖像具有最佳的視覺效果和最高的對比度。

圖8 仿體的圖像重建結果Fig.8 Results of image reconstruction of phantoms（（a）AOED images；（b）SoS images；（c）AOED metrics；（d）SoS metrics）

3.3 在體實驗結果

圖9 是包含復雜結構的活體小鼠4 個頭部和胸腹部切片的成像結果。由圖9 可知，與仿真和仿體實驗結果類似，采用AO 和TR 法重建圖像的整體亮度以及橫截面邊緣的對比度都明顯低于深度學習方法重建的圖像。在JIR-Net 重建圖像中，箭頭標示細節結構的對比度明顯高于采用其他方法重建圖像的對比度。這證明了在重建復雜目標方面，JIR-Net 優于非學習方法以及DGD 和U-Net方法。

圖9 在體小鼠實驗中的圖像重建結果Fig.9 Results of image reconstruction for in vivo mice（（a）AOED images；（b）SoS images；（c）AOED metrics）

4 討論

結合仿真實驗結果，分析討論初始聲速以及網絡結構單元個數對重建圖像質量的影響。并對所提方法相對于其他成像方案的優勢和不足進行討論。

4.1 初始聲速對重建圖像質量的影響

為了分析初始聲速對JIR-Net 性能的影響，在其他條件不變的情況下，分別設置初始聲速為1 404 m·s-1、1 449 m·s-1、1 500 m·s-1和1 716 m·s-1。對全角度密集采樣仿真光聲信號進行圖像重建，結果如圖10所示。

由圖10 可知，當采用不同的初始聲速時，JIRNet重建圖像的視覺效果和評價指標變化并不顯著。由表1 可知，本文建立仿真模型時，將不同組織成分的平均聲速設定在1 540～1 650 m·s-1范圍內。當初始聲速與實際聲速比較接近時（如1 500 m·s-1），JIR-Net、DGD、U-Net 和AO 重建圖像的質量差別不大，且明顯優于TR法。隨著初始聲速與實際聲速的差別增大，JIR-Net 相較于其他方法表現出明顯的優勢。例如，當初始聲速為1 716 m·s-1時，遠大于光聲信號傳播過程中的實際聲速。此時，TR 重建中聲波的反演時間變短，導致重建出的目標區域不完全，且存在嚴重畸變。將TR 重建圖像作為U-Net 的輸入時，輸出的圖像質量也沒有得到明顯改善。對于DGD 網絡，由于所設初始聲速與真實值差別較大，每次求解梯度時均會產生誤差，逐次迭代后誤差累積，導致圖像中的畸變嚴重。此外，由圖10（b）（d）可知，不同初始聲速條件下，JIR-Net 重建聲速的精度優于AO法，SSIM和PSNR可分別提高約34.4%和22.6%。

4.2 結構單元數對網絡性能的影響

為了分析JIR-Net 中的結構單元數對網絡性能的影響，在其他條件和參數不變的情況下，分別將結構單元數設定為1、2、3、4 和5。對稀疏度為（180°，0.9）的仿真光聲信號進行圖像重建，評價指標如圖11 所示。由圖11 可知，結構單元數越少，重建圖像質量越低。增加結構單元數雖然會改善圖像質量，但也會導致網絡訓練時間明顯延長，如表5 所示。當單元數大于4 時，重建圖像的評價指標變化趨于平緩，表明此時再增加結構單元也不會顯著改善圖像質量，但是訓練時間會大幅延長。因此，本文最終采用4 個結構單元構成JIR-Net。

表5 JIR-Net由不同數量結構單元組成時的訓練時長Table 5 Time cost in training JIR-Net consisting of different number of structural units

圖11 當JIR-Net包含不同數量的結構單元時，根據稀疏度為（180°，0.9）的仿真信號重建圖像的評價指標Fig.11 Evaluation metrics of images reconstructed from the simulated signal with the sparsity of（180°，0.9）when JIR-Net consists of different numbers of structural units

4.3 所提方法相對于其他成像方案的優勢和不足

JIR-Net 采用學習迭代框架實現有限角度稀疏測量條件下的高質量圖像重建。與非迭代學習方法相比，這種方案以犧牲時間成本為代價獲得了高質量的成像結果。訓練JIR-Net 單個結構單元的時間約為DGD 的2.6 倍，U-Net 的7 倍。采用訓練后的JIR-Net、DGD 和U-Net 重建一幀256 × 256 像素的圖像，所需的時間分別為18.4 s、14 s和9 s。時間成本的主要差別在于JIR-Net 和DGD 需要計算AOED 和聲速的梯度，而U-Net不用。

此外，通過同時重建AOED 分布圖和聲速分布圖，本文方法解決了由于不均勻聲速所致圖像質量下降的問題。該方法不需要任何有關成像目標的先驗知識。與基于模型的非學習方法相比，成像質量和精度不依賴于前向模型，無需對成像目標和場景進行理想化的假設，可直接應用于不同的掃描幾何和成像場景。

5 結論

本文提出一種聯合迭代重建網絡，通過將AOED 分布和聲速分布的梯度下降信息融合到網絡訓練中，實現利用不完備光聲信號重建高質量圖像的目的。仿真、仿體和在體實驗結果表明，采用該網絡重建的AOED 分布圖，其視覺效果和評價指標均優于經典TR 方法、AO 方法、基于U-Net 的非迭代學習方法和基于DGD 的學習迭代方法。而且光聲信號測量數據的稀疏度越低，優勢越明顯。討論結果表明，所提方法的重建精度對初始聲速不敏感，具有較好的穩定性。網絡結構單元個數對重建精度有一定的影響，雖然增加結構單元可以提高重建質量，但是也會進一步增加時間成本，需要在圖像質量和時間成本之間做出權衡。

在未來的工作中，將從以下3 個方面改善網絡性能：1）構建規模更大、質量更高的數據集，盡可能多地包含可能觀察到的圖像特征，并使仿真訓練集適應使用真實光傳播模型生成的圖像。2）進一步優化網絡結構并改進訓練策略，以更快的速度重建更高質量的圖像。3）改變網絡輸入信號的類型，對原始光聲信號測量數據進行預處理后再送入網絡，提高網絡的學習效率。

致謝：本項工作中活體小鼠光聲成像數據的采集得到了中國醫學科學院藥物研究所的支持，仿體成像數據的采集得到了北京化工大學的支持，在此表示感謝。