近期，上海科技大学信息科学与技术学院任无畏团队联合上海交通大学等单位，在医学影像领域国际期刊《IEEE医学影像汇刊》（IEEE Transactions on Medical Imaging，IEEE TMI）发表题为“µNeuFMT: Background-Optical-Property-Adaptive Fluorescence Molecular Tomography via Implicit Neural Representation”的研究论文。针对荧光分子断层成像（Fluorescence Molecular Tomography, FMT）中组织光学参数难以准确获取、模型误差制约三维重建质量这一关键问题，团队提出融合隐式神经表示与可微分物理模型的自监督重建方法µNeuFMT，可在重建三维荧光分布的同时，自适应优化背景组织的吸收与散射参数，从而提升复杂组织活体荧光成像的重建精度。
FMT通过组织表面荧光测量反演体内荧光探针的三维空间分布，具有灵敏度高、无电离辐射、成本较低等优势，在肿瘤检测、药物研发、淋巴结示踪及荧光手术导航等领域具有广阔应用前景。然而，光在生物组织中传播时会经历复杂的吸收与散射，仅凭有限的表面测量恢复内部三维分布，本质上是一个高度病态的反问题。传统FMT通常需要预先设定组织的吸收系数和散射系数，但这些参数在真实组织中往往难以准确获得。一旦设定值与真实情况存在偏差，前向模型便会产生系统性误差，导致重建结果在位置、深度和形态上失真。近年来的监督式深度学习方法虽在特定场景中表现良好，但通常依赖大量场景特异性训练数据，当组织结构、噪声水平或光学参数发生变化时，泛化性能容易下降。
图1：µNeuFMT荧光分子断层成像系统及自适应神经场重建框架。
针对上述难题，研究团队借鉴“神经辐射场”的连续场建模思想，以隐式神经表示（Implicit Neural Representation, INR）直接刻画三维空间中的荧光分布，提出了µNeuFMT方法：将空间坐标输入多层感知机网络，输出对应位置的荧光强度，以连续函数而非离散体素描述目标结构。同时将基于扩散方程和有限元方法（Finite Element Method, FEM）的光传播模型设计为可微分物理模块，使组织表面实测荧光信号与模型预测信号之间的差异能够直接用于端到端优化。因此，整个重建过程无需预先准备大量成对训练数据，即可实现零样本、自监督的物理信息驱动重建。
更重要的是，该策略将背景组织的吸收系数和约化散射系数纳入同一优化框架，并设计与荧光场交替更新的参数自适应策略。µNeuFMT不再依赖“预先已知且固定不变”的光学参数，而是根据真实测量数据，在重建荧光分布的同时自动修正背景组织的有效光学参数。这使FMT从“在固定物理模型中求解未知荧光分布”，拓展为“同步修正物理模型并求解未知目标”的联合反问题框架。
本工作将隐式神经表示、可微分物理建模和光学参数自适应估计统一于同一FMT反问题求解框架，使神经网络不仅能够描述待重建的三维荧光场，还能反向修正影响成像结果的组织光传播模型。数值仿真、实体仿体和小动物活体实验共同表明，µNeuFMT在光学参数不确定、背景复杂及目标形态变化等条件下，能够实现更稳定、更准确的三维荧光重建，为解决实际生物组织中光学参数难以预先精确获取这一长期难题提供了新的思路。
未来，团队将进一步结合时间分辨、多光谱以及更快速的数据采集与计算技术，推动该框架从当前的等效均匀光学参数建模，逐步拓展至更复杂组织环境下的高精度、实时化活体荧光分子成像，并进一步探索物理信息神经网络在生物医学光学反问题中的应用潜力。
上海科技大学信息科学与技术学院博士研究生赵世涵与英国伯明翰大学张柬如为论文共同第一作者，上海科技大学信息科学与技术学院任无畏与上海交通大学郑国焱为共同通讯作者，上海科技大学为第一完成单位。研究还得到了上科大信息学院虞晶怡教授、物质学院朱幸俊教授以及数学所姜嘉骅教授的大力支持。论文相关代码及示例数据已公开。
沪公网安备 31011502006855号