摘要
本发明公开了一种基于深度学习的定量光声图像方法及系统，通过构建Transformer模块，该模型结合Transformer和U‑Net的优势，通过深度学习方法提升了对全局信息的建模能力。克服了现有深度学习技术在多波长数据处理时未能充分捕捉不同波长间的关联性，导致血氧饱和度的定量精度受限的问题，同时，该方法还解决了深度学习模型在跨数据域（如仿真与实验数据）时的泛化能力不足问题，提高了模型对实际临床应用的适应性。通过全面优化光声成像定量化过程，实现了对血氧饱和度更高精度、更高鲁棒性和更广泛适用性的重建。
