Science Advances | 打破光声成像的“不可能三角”：南方科大团队用多角度线扫描实现完整颅脑非侵入成像

如果要研究小鼠的脑血管在卒中或肿瘤发生过程中的动态变化，研究者首先要回答一个基本问题：如何在不破坏生理环境的前提下，看清头骨下面的东西？

这是一个被反复讨论却始终未完全解决的难题。

小鼠的头皮和颅骨厚度约为数百微米，虽然看起来微不足道，却足以对光学成像构成巨大障碍。颅骨的多层结构导致了折射率不匹配，而高密度的血管网络进一步加剧了光散射。为了获得清晰的图像，传统做法不得不采取一系列侵入性操作：剃除头皮、机械减薄颅骨、甚至植入颅窗。这些操作虽然有效，却也引入了机械应力、术中热刺激、术后颅内压改变等一系列副作用，更重要的是，它们从根本上改变了研究对象的生理状态——你看到的“正常”脑组织，实际上已经经历了外科干预。

在非侵入式成像领域，研究者尝试了多种技术路线。

近红外二区荧光成像借助外源性造影剂，可以在完整头颅下获得较好的血管对比度，但荧光漂白和代谢清除使得长期纵向追踪几乎不可能。超声定位显微镜通过分析微泡的声学回波实现了高分辨率，但同样需要反复注射外源性造影剂，并且通常需要移除头皮。

而光声成像——一种通过脉冲激光激发组织产生超声信号、再根据超声重建光吸收分布的技术——曾被视为最有希望实现“非侵入、无标记、深穿透”脑成像的方案。然而，它也有自己的软肋：血红蛋白在近红外窗口的吸收系数远低于可见光，这意味着信号天然较弱；同时，高频超声在穿过颅骨时衰减极为严重。于是，研究者长期面临一个两难选择：要么用高频换能器换取高分辨率，但牺牲穿透深度；要么用低频换能器保证穿透，但分辨率只能停留在百微米级别，无法分辨微血管细节。

这就是光声脑成像领域的核心困局：分辨率、穿透深度、成像速度，三者似乎只能取其二。

南方科技大学奚磊团队发表在《Science Advances》上的研究，恰恰瞄准了这个“不可能三角”。他们提出的PACMe技术，试图用一种全新的成像策略，在不剃头、不开颅、无造影剂的前提下，实现与金标准光学分辨率光声显微镜（5微米）可比的成像质量——只不过是在完整头皮和颅骨之下。

PACMe的全称是Photoacoustic Computed Mesoscopy——光声计算机介观成像。这个略显拗口的名字背后，是一套精心设计的“组合拳”，在激发、探测、重建三个环节逐一破解传统瓶颈。

图1. PACMeS成像机制

(A) PACMeS重建算法概览。面照明诱导的光声信号作为输入，经滤波和反投影后用于估算声速矩阵。图中展示了PACMeS重建的完整流程，包括光声信号采集、数据处理、校准和重建。

(B) PACMeS扫描示意图。线聚焦激光束以10°为旋转步长在18个角度进行扫描，形成大小为18 × N的数据堆栈，其中N由视场和线宽决定。

(C) 定位与重建示意图，用于解码全角度数据堆栈。蓝色图案代表实际的血管分布。不同颜色（红、黄、绿）像素表示基于不同角度扫描数据集获得的定位结果。来自不同角度的结构被合并起来形成PACMeS图像。

图2. PACMeS系统示意图

(A) 系统实验装置。使用翻转镜在校准模块和线扫描模块之间切换。

(B) 实验装置特写图，展示了校准模块（橙色）和线扫描模块（红色）中的激光传输路径。

(C)和(D) 俯视图，比较校准模块(C)和线扫描模块(D)中的激光照明模式。

(E) PACMeS重建流程，包括通过自相关进行声速校准、通过定位进行坐标校准，以及基于深度学习的自监督恢复。

(F)和(G) 使用1 μm碳化钨珠估算的点扩散函数。(F) 单角度图像的点扩散函数，显示沿线扫描方向（红线）和光学线方向（蓝线）的横向分辨率分别为27 μm和300 μm。(G) 多角度投影后的合成点扩散函数，显示各向同性横向分辨率约为32 μm。

(H) 使用叶片体模估算的视场为13 mm。RMS，均方根。

传统光声计算机断层扫描（PACT）采用全场照明，激光同时照射整个成像区域，信号混叠严重。而PACMe反其道而行之：它将激光聚焦成一条细线（宽度约27微米），在样品表面逐行扫描，并在18个不同角度重复这个过程。

这个设计的精妙之处在于：在垂直于光线的方向上，分辨率由光线的宽度决定（27微米，光学分辨率）；在平行于光线的方向上，分辨率原本受限于声学衍射极限（300微米），但通过多角度叠加合成，最终实现了约32微米的各向同性分辨率。

换句话说，PACMe用一种“合成孔径”的思路，让原本受限于低频超声的低分辨率维度，被来自多个角度的光学定位信息“填满”，从而突破了声学衍射极限。

通常，追求高分辨率意味着使用更高频率的超声换能器。但高频超声在颅骨中衰减极快，反而限制了穿透深度。PACMe选择了5 MHz的低频换能器，虽然单次激发的声学分辨率只有300微米，但它的优势在于：低频信号可以高效穿过完整头皮和颅骨而不被严重衰减。

为了弥补低频带来的分辨率损失，PACMe采用了512单元的全环形换能器阵列，实现360度全覆盖检测，确保每个方向的信号都能被高效捕获。这是一种“以系统复杂度换物理极限”的设计思路。

有了好的数据采集方案，还需要聪明的重建算法。

PACMe的重建管道分为三步：首先，通过自相关校准建立全视场的声速矩阵，消除头皮、颅骨、脑组织之间声速不匹配导致的畸变；其次，基于线宽进行阈值驱动的时域积分，实现光声信号的精确光学定位；最后，将18个角度的定位结果进行多角度合成，输出最终图像。

为了在不牺牲图像质量的前提下提升成像速度，团队还引入了一个自监督深度学习网络。该网络仅基于单张噪声图像本身进行训练，无需大量标注数据，就能有效抑制伪影、恢复细节。最终，他们将扫描角度从180个减少到18个，成像速度提升了10倍，而重建结果与180角度的“金标准”高度一致。

研究团队首先用1微米的碳化钨珠进行了体模实验。单角度数据显示，垂直于光线方向的分辨率为27微米，平行方向为300微米。经过18个角度的合成后，点扩散函数的半高全宽收敛到约32微米，实现了各向同性。

更重要的是在体验证：研究者将同一根毛细血管的PACMe图像与OR-PAM（开颅，5微米分辨率）图像进行对比，以OR-PAM为“金标准”反推PACMe的实际分辨率，得到的结果是33微米。这意味着，在完整头皮和颅骨下，PACMe的分辨率仅比开颅后的光学分辨率光声显微镜低一个数量级，而后者需要移除头皮和颅骨。

图3. PACMeS性能评估

(A) 叶片静脉体模的PACMeS成像。白色虚线圆圈分隔了经过校准（圆圈内）和未经校准（圆圈外）的重建图像。

(B) (A)中红色圆圈所示区域的放大视图，比较了未经校准、仅经声速校准和经全校准的重建图像。

(C) (A)中黄色圆圈所示区域的放大视图。使用基于深度学习的自监督恢复方法来改善以10°为间隔从18个角度收集的数据堆栈的图像质量。金标准是使用180个角度数据重建的图像。

(D)至(F) 小鼠脑内活体成像：原始数据图像(D)、全校准重建后的图像(E)以及使用深度学习模型恢复后的图像(F)。橙色箭头表示由声速失配引起的伪影。

(G) 通过完整头皮和颅骨获取的小鼠脑PACMeS图像（左）。去除头皮后的小鼠脑照片（右）。

(H) 使用PACMeS、PACT和近红外波长激发的OR-PAM对完整颅骨和头皮下的小鼠脑进行活体脑成像结果的比较。

研究团队建立了两种缺血性卒中模型——重度（激光通量1 mJ/cm²）和轻度（0.16 mJ/cm²），并用PACMe进行了长期追踪。

在轻度卒中模型中，他们观察到了一个完整的病理生理过程：

• 急性期（4小时）：左侧大脑半球因血管栓塞出现血容量增加，光声信号增强

• 36小时：血栓开始吸收，信号回落，脑水肿减轻

• 72小时：梗死区域出现侧支循环建立（这是PACT图像中难以辨别的细节）

• 24天：左侧半球完全恢复

整个追踪时长超过5个月，小鼠无需反复麻醉注射、无需开颅、无需颅窗维护。相比之下，传统颅窗实验的寿命通常只有数周至两三个月。

图4. 光血栓诱导缺血性卒中中脑血管的长期监测

(A) 区域特异性光血栓卒中诱导示意图。

(B) 小鼠脑的PACMeS图像和MRI交叉验证（血栓形成后12小时）。蓝色箭头表示左侧大脑半球的光血栓形成区域。黄色箭头表示由脑水肿引起的矢状窦偏移。比例尺，2 mm。

(C)和(D) 使用PACMeS (C)和PACT (D)对轻度卒中模型进行为期5个月的纵向监测。黄色箭头表示由脑水肿引起的矢状窦偏移。比例尺，2 mm。h，小时；d，天；mths，月。

在胶质瘤模型中，PACMe成功捕捉到了肿瘤发生过程中典型的血管重构现象：注射部位周围出现弯曲、紊乱的新生血管，矢状窦发生明显形变。这些发现与T2加权磁共振成像结果高度一致，并最终通过H&E染色的组织病理学分析得到了确认。

图5. 小鼠脑内胶质瘤的长期监测

(A) 实验时间线。

(B) 使用PACMeS对胶质瘤进行纵向监测（上）。红色圆圈表示胶质瘤细胞的注射部位。肿瘤进展通过注射部位周围的新生血管和矢状窦的变形（黄色箭头）来指示。比例尺，2 mm。T₂加权MRI图像（下）显示肿瘤病变作为交叉验证（红色圆圈）。

(C) 取出的小鼠脑照片，红色圆圈表示注射部位。

(D) 小鼠脑的典型H&E染色切片。

这套“光声-MRI-组织学”的交叉验证链条，大大增强了数据的可信度。

PACMe的价值不只在于“又一种脑成像技术”，而在于它重新定义了非侵入式脑成像的性能边界。

在此之前，如果你想要微米级分辨率，就必须接受开颅或颅窗；如果你想要长期纵向追踪，就必须面对荧光漂白或颅窗感染的问题。PACMe第一次在一个平台上同时实现了：无标记、非侵入、高分辨率、长期纵向这四个看似矛盾的目标。

对于那些需要长时间观察脑血管动态变化的研究——比如抗血管生成药物的疗效评估、卒中后神经修复机制研究、肿瘤血管靶向治疗的长期随访——PACMe提供了一种之前不存在的可能性：在完全不干扰动物生理状态的条件下，反复、定量、高分辨率地获取同一个体的脑血管网络数据。

客观地说，PACMe目前仍处于实验室原型阶段。以下几点值得关注：

当前每帧约180秒（18个角度 × 1000线/角度），虽然通过深度学习压缩了10倍，但对于需要捕捉瞬态血流动力学变化的研究仍显不足。团队在讨论中提到，结合千赫兹级脉冲激光和高灵敏度探测器阵列，有望实现高速血流动力学成像。

512通道的数据采集系统、精密的多轴扫描机构、全环形换能器阵列——这些都意味着高昂的硬件成本。对于普通实验室而言，复现这套系统存在门槛。

当前的成像深度约为2毫米（聚焦深度内），主要覆盖皮层。对于更深层的脑区（如海马、丘脑），需要进一步优化激发和探测策略。

目前使用单波长（780 nm），主要成像血红蛋白浓度。团队指出，结合多光谱策略可以进一步实现血氧饱和度、脂质、水分的功能成像，这将大大扩展其应用场景。

但从产业化的角度看，PACMe的技术路线并不依赖某种稀缺或专利壁垒极高的核心器件。它更像是一个系统工程问题——将已有的光学、声学、深度学习组件以新颖的方式组合起来。这意味着，一旦原理得到验证，工程优化和成本下降的路径是清晰的。

在光声成像领域，每年都有大量论文宣称“突破了分辨率与穿透深度的权衡”，但能在完整小鼠头颅下实现33微米分辨率、并持续追踪5个月的研究，实属罕见。

PACMe的贡献，不是某个单项指标的“世界纪录”，而是提出并验证了一种可操作的工程范式：用多角度光学定位来补偿声学分辨率的不足，用低频全环检测来保证穿透深度，用深度学习来加速重建。这三者的结合，使得“非侵入、无标记、高分辨、长期纵向”这四个曾经互斥的目标，第一次可以在同一个系统中实现。

当然，从实验室到商业化，从鼠脑到潜在的人体应用，仍有漫长的路要走。但这项研究至少证明了一点：在脑成像这场没有终点的竞赛中，突破物理极限的方式不一定是等待更亮的激光或更灵敏的探测器——有时候，更聪明的成像策略本身就是一条捷径。

奚磊团队的这项工作，给整个非侵入式脑成像领域注入了一剂强心针。如果后续能够在成像速度、多光谱功能、系统成本等方面持续优化，我们有理由期待，PACMe或类似原理的技术，将在未来5到10年内成为神经血管疾病研究和药物开发的标准工具之一。