深度学习驱动的计算自适应光学技术突破光声显微成像极限

　　本研究针对光声显微镜(OR-PAM)中组织引起的光学像差问题，开发了基于深度学习的计算自适应光学框架DeepCAO。该技术通过无监督去噪模块与端到端像差校正网络的联合训练，成功实现了对浅层和深层组织显微血管的高分辨率成像，为生物医学研究提供了无需硬件改造的实用解决方案。

　　

基于深度学习(Deep Learning)的计算自适应光学(Computational Adaptive Optics)技术为光声显微镜(Photoacoustic Microscopy, OR-PAM)带来突破性进展。光学分辨率光声显微镜(OR-PAM)虽能实现高分辨率生物医学成像，却长期受组织诱导光学像差(Optical Aberrations)的困扰。由于光声探测机制的特殊性，传统自适应光学技术难以有效应用。

DeepCAO创新性地采用两阶段网络架构：结合无监督去噪模块(Untrained Denoising Module)与有监督端到端像差校正网络(Supervised End-to-end Aberration Correction Network)，通过实验数据集与模拟数据的联合训练，成功校正多种像差类型。在模拟图像和真实图像验证中——包括具有真实基准的浅层组织和存在自然像差的深层组织——该系统均表现出卓越的校正能力。

尤为引人注目的是，该技术实现了皮下数百微米深度微血管(Microvessels)的清晰可视化，这些结构在常规成像中会呈现模糊状态。作为纯计算方法(Purely Computational Approach)，DeepCAO无需额外硬件设备，为常规生物医学研究中的光声显微镜成像提供了实用且易于推广的解决方案。