CN103345770B - 一种基于迭代自适应加权的有限视角光声成像重建方法 - Google Patents
一种基于迭代自适应加权的有限视角光声成像重建方法 Download PDFInfo
- Publication number
- CN103345770B CN103345770B CN201310302494.4A CN201310302494A CN103345770B CN 103345770 B CN103345770 B CN 103345770B CN 201310302494 A CN201310302494 A CN 201310302494A CN 103345770 B CN103345770 B CN 103345770B
- Authority
- CN
- China
- Prior art keywords
- image
- signal
- photoacoustic
- iteration
- photoacoustic signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims description 27
- 238000005094 computer simulation Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 abstract 1
- 230000037430 deletion Effects 0.000 abstract 1
- 238000012804 iterative process Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000000338 in vitro Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 241001067739 Lotis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013456 study Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于迭代自适应加权的有限视角光声成像重建方法。基于有限视角采集的光声信号,为了校正计算投影信号和采集信号的差异,基于采集信号与上一步迭代重建图像的比值对投影数据加权,为了补偿重建图像和实际图像之间的差异,计算采集信号和计算机投影信号的残差,将残差信号反投影得到残差图像,从而保证迭代过程中信号残差逐步变小,进而保证重建图像的收敛性。本发明能在有限视角扫描的情形下,解决由于信号缺失引起的重建病态问题,减少重建伪迹,提高重建精度,对减少信号采集时间具有一定的指导意义。
Description
技术领域
本发明涉及一种光声成像(PhotoacousticTomography,简称PAT)技术,具体涉及迭代自适应加权的有限视角光声图像重建方法。
背景技术
光声成像是近十年来新兴的生物医学成像技术,它结合了光学成像高对比度和超声成像的高分辨率的特点,近年来获得飞速的发展。光声图像不仅能够提供组织的结构形态,还能反映生理代谢等功能信息,光声成像技术在生物组织成像中已经得到广泛的应用,如肿瘤检测、血管成像、脑功能成像等相关研究。
短脉冲激光照射到成像样品,样品组织局部吸收光能而产生热膨胀向四周辐射超声波,通过超声探测器在不同位置的采集光声信号,使用图像重建方法算出组织的吸收强度分布。图像重建是由信号转化成图像的关键,而成像方法又是图像重建的核心技术,目前针对规则扫描形状已经提出了重建方法,包括滤波反投影法,时域重建法,频域重建法,延迟求和法等。
上述图像重建方法都在实际应用中,都需要全方位扫描获取完备数据,数据采集速度慢,对系统要求高。本发明提出的图像重建方法,对有限视角扫描的欠采样信息也能精确地重建出光声图像。
发明内容
(一)发明目的
本发明目的在于克服现有图像重建技术数据冗余的缺点,提供一种针对有限视角信息的光声成像方法,基于有限角度少量扫描的欠采样数据和迭代自适应加权方法,精确重建生物组织吸收强度分布图像,解决了生物组织无法全方位扫描的成像问题。
(二)技术方案
本发明提出了一种基于迭代自适应加权的有限视角光声成像重建方法,具体步骤如下:首先利用有限视角滤波反投影方法得到迭代初始图像,基于初始图像和采集光声信号计算投影信号的加权系数,利用初始图像和加权系数获取计算机模拟光声信号,计算模拟光声信号与采集光声信号的残差,对残差信号反投影获取残差图像,将残差图像加到上一次迭代生成图像获得修正重建图像,重复上述过程,设置最大迭代次数和迭代误差作为迭代结束条件。
根据本发明的实施例,提供了一种基于迭代自适应加权的有限视角光声成像重建方法,包括以下步骤:
步骤1,重建图像初始化;
步骤2,计算加权系数;
步骤3,计算模拟信号;
步骤4,计算信号残差;
步骤5,计算重建图像;
步骤6,计算模型误差,设置迭代终止条件。
根据本发明的一个实施例,重建图像初始化包括采集光声信号的预处理,重建图像的离散化,以及计算信号与图像像素之间的关系。
根据本发明的一个实施例,计算信号与图像像素之间的关系包括投影矩阵和反投影矩阵的计算。
附图说明
图1为本发明的基于迭代自适应加权的有限视角光声成像重建方法流程图;
图2为计算机模拟投影信号的几何分布;
图3a、3b和图3c为基于本发明方法的计算机仿真数据重建结果,其中;其中图3a是用90°范围内30个探测信号重建的光声图像;图3b是用135°范围内45个探测信号重建的光声图像;图3c是用180°范围内60个探测信号重建的光声图像;
图4a和图4b为基于本发明方法的离体生物组织的重建结果,其中图4a为离体组织仿体照片,图4b本发明方法重建图像。
具体实施方式
用短脉冲激光均匀照射成像样品,超声探测器在成像平面内扫描,接收样品产生的光声信号,光声信号的产生服从的光声成像方程为:
其中代表汉密尔顿算子,c表示生物组织中声波传播的速度,p(r0,t)表示r0位置处t时刻的光声信号,β表示声压膨胀系数,Cp为比热系数,A(r)是组织光能量吸收分布图像,I(t)是激光脉冲函数。光声图像重建是典型的逆问题,即如何由p(r0,t)求出A(r)。
基于迭代自适应加权的有限视角光声成像重建方法如下:
第一步,重建图像初始化,包括采集光声信号的预处理和重建图像的离散化。采集光声信号的预处理是指采样数据的选取和滤波,根据成像区域的大小和位置在采集信号pin中选取对应的信号,对选取信号进行Ramp滤波得到光声信号p(r0,t),完成对采集信号中高频噪声的预处理。
重建图像离散化即在重建区域上叠加一个N×N方格网,每一个网格内像素值相同,用A(n)表示第n像素的像素值,像素总数为N2;用p(j)表示第j个计算机模拟光声信号,计算机模拟光声信号的总数与预处理后的采集光声信号相同,表示为M=m×k,它是投影位置个数m和每个位置数据长度k的乘积。如图2所示,A(n)和p(j)的关系可以表示如下
式中wjn表示第n像素值A(n)对第j个计算机模拟光声信号p(j)的贡献,这里wjn可以按以下方式计算:把投影弧线看成宽度为τ,间隔为0的弧线束,wjn表示第n像素与第j条弧线相交的面积的近似值,将wjn按信号采集顺序排列组成离散投影矩阵P。
对于二维的光声成像,通过引入有效扫描角的概念,改进传统的滤波反投影算法,得到有限视角的光声成像图像:
其中θ1为探测器的最小接收角度,θ2为探测器的最大接收角度,θe为有效扫描角度,其定义是每个像素点与信号采集位置最大接收角度和最小接收角度的夹角,为计算每个光声信号对图像像素的贡献,我们给出如下定义:
A(r)=Qp
其中A(r)表示重建图像,大小为N2×1,p表示光声信号,大小为M×1,Q是表示信号对图像像素的贡献值的反投影矩阵,大小为N2×M,对于每一个像素值A(n),计算模拟光声信号p对其的贡献,对于任意的1≤j≤M有:
其中,Qnj表示反投影矩阵Q中第n行的第j个元素,j是信号个数索引指标,n是图像像素索引指标,(xn,yn)是重建光声图像的像素坐标,(x0,y0)是信号采样位置坐标,c是声速,f是信号采集的频率,mod表示取余数运算。
根据有限视角采集的光声信号,给定信号采集范围最大接受角度θ2和最小接受角度θ1,计算每个像素值对应的有效视角,通过傅里叶变换求得光声信号的求导运算值,然后根据每个光声信号对图像每个像素的贡献值,利用式(3)对非零贡献值进行积分运算,可以得到迭代重建光声图像的初始值A0(r)。
第二步,加权系数的计算,用重建光声图像初始值A0(r)和处理信号p(r0,t)计算校正系数:
第三步,模拟信号的计算,基于离散化的投影矩阵P和初始光声图像A0(r),我们可以计算计算机模拟光声信号p1,
p1=PA0(r)
第四步,信号残差的计算,为了校正计算机模拟信号p1和采集光声信号p(r0,t)的差异,利用用校正系数α1和模拟光声信号p1,得到和采集光声信号采集信号同一量级的残差信号
Δp1=p(r0,t)-α1p1(5)
第五步,重建图像的计算,将残差信号Δp1反投影可以得到残差校正图像:
ΔA1(r)=QΔp1(6)将残差校正图像ΔA1(r)按一定比例加到初始重建图像A0(r),可以得到更新图像,即第一步迭代重建图像A1(r)
A1(r)=A0(r)+λΔA1(r)(7)其中λ∈(0,1)为残差图像的校正系数,常根据重建图像效果的经验值设定,目的是防止过度校正。
重复上述步骤二至四及步骤五的上述步骤,可以得到迭代重建图像
Ai(r)=Ai-1(r)+λΔAi(r)=Ai-1(r)+λQ(p(r0,t)-αipi)i=1,2,…(8)
第六步,模型误差的计算,因为不知道初始图像,我们选择相对的重建误差ei作为判定迭代终止的标准:
ei=||Ai(r)-Ai-1(r)||2/||Ai-1(r)||2<ε(i=1,2,…n)(9)
其中ε为设定好的最小迭代误差。
设置最小迭代误差和/或最大迭代次数作为迭代终止条件,具体为:先判断重建误差是否小于设定的最小迭代误差,如果达到设定的最小迭代误差,则终止迭代;若没有达到设定的最小迭代误差,再判断迭代次数是否达到最大迭代次数,若达到最大迭代次数,则迭代终止。满足迭代终止条件则输出重建结果,通过上述迭代可以重建光声图像。发明人为验证本发明方法的有效性进行了如下实验:
计算机仿真实验:给定已知的光吸收分布图,在180°弧形扫描情况下采集光声信号,步长为3°,根据有限视角光声方程计算仿真信号,用仿真光声信号重建光吸收分布情况。
离体组织实验:在准备好的脂肪上凿三个深1mm、直径1mm的小孔,小孔之间的距离约为2mm,然后将准备好的猪肝样品填到脂肪中,最后再覆上一层厚度约为3mm的脂肪,成为一体后进行光声信号采集。
实验中采用的光源是Nd:YAG脉冲激光器(LS-2134,LOTIS),激光的波长是532nm,脉宽是7ns,重复频率是10Hz,脉冲激光经凹透镜扩束、毛玻璃均匀后照射到样品上,单脉冲能量控制在20mJ/cm2以下。采用中心频率5MHz,直径为13mm的美国OLYMPUS公司生产的超声探头采集信号,超声探测器和样品都放在耦合液里,目的是更好地耦合超声信号,探测器在一个位置采集完信号后,探头的旋转实现由重复定位精度为0.005度,分辨率为0.00125度的ERSP100旋转台带动实现,旋转半径为45mm,扫描间隔是3°,探测器采集信号经过前置放大器预处理,包括超低噪声时间增益补偿、模数转换等,信号通过一个采样频率为100MHz的数字示波器(MSO4000B,Tektronix)进行采集。探测器在一个位置采集50个信号后旋转到下一个位置,一共需要旋转60次,信号传输到计算机后,用MATLAB(version7.6,Mathworks)对信号处理,然后用基于迭代自适应加权的有限视角光声成像重建方法进行图像重建。
图3a、3b和3c显示了基于本发明方法的计算机仿真数据的重建结果,像素个数为256×256。其中图3a显示了用90°范围内30个探测信号重建的光声图像,图3b显示了用135°范围内45个探测信号重建的光声图像,图3c显示了用180°范围内60个探测信号重建的光声图像。
图4(a)显示了离体生物组织的照片,图4(b)显示了用180°范围内60个探测信号重建的图像。
由上述2组实验结果表明,本发明的重建方法在180°信号下重建图像和原始图像基本一致,说明本发明能在有限视角扫描信号下,精确地重建出组织的光吸收分布,对减少信号采集时间具有一定的实际意义。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于迭代自适应加权的有限视角光声成像重建方法,其特征在于包括以下步骤:
步骤1,重建图像初始化,具体包括采集光声信号的预处理、重建图像的离散化及计算计算机模拟光声信号与图像像素之间的关系的步骤;其中,所述计算计算机模拟光声信号与图像像素之间的关系包括投影矩阵和反投影矩阵的计算:
投影矩阵用来表示图像像素值A(n)对计算机模拟光声信号p的贡献,用p(j)表示第j个计算机模拟光声信号,计算关系如下:
其中wjn表示第n像素值A(n)对第j个计算机模拟光声信号p(j)的贡献值,wjn按以下方式计算:把投影弧线看成宽度为τ、间隔为0的弧线束,wjn表示第n像素与第j条弧线相交的面积的近似值,将wjn按信号采集顺序排列组成离散投影矩阵P;N表示重建区域上叠加的N×N方格网的宽度;M表示计算机模拟光声信号的总数,M=m×k,其中m为投影位置个数,k为每个位置的数据长度;
反投影矩阵用来表示计算机模拟光声信号p对重建图像像素值A(n)的贡献值,计算关系如下,对于任意的1≤j≤M有:
其中,Qnj表示反投影矩阵Q中第n行的第j个元素,j是信号个数索引指标,n是图像像素索引指标,(xn,yn)是重建图像的像素坐标,(x0,y0)是信号采样位置坐标,c是声速,f是信号采集的频率,mod表示取余数运算;
步骤2,计算校正系数;
步骤3,计算计算机模拟光声信号;
步骤4,计算残差信号;
步骤5,计算重建图像;
步骤6,计算重建误差,设置迭代终止条件。
2.根据权利要求1所述的方法,其中采集光声信号的预处理包括对采样数据的选取和滤波,预处理后的采集光声信号p(r0,t)的总数表示为M=m×k,m为投影位置个数,k为每个位置的数据长度,滤波完成对采集信号中高频噪声的预处理,p(r0,t)表示r0位置处t时刻的光声信号。
3.根据权利要求1所述的方法,其中重建图像的离散化具体为:
在重建区域上叠加一个N×N方格网,每一个网格内像素值相同,用A(n)表示第n像素的像素值。
4.根据权利要求2所述的方法,对于二维的有限视角光声成像,重建图像A(r)和采集光声信号p(r0,t)的关系近似为:
其中θ1为探测器的最小接收角度,θ2为探测器的最大接收角度,θe为有效扫描角度,表示每个像素点与信号采集位置最大接收角度和最小接收角度的夹角,β为声压膨胀系数,Cp为比热系数,t为时刻;
根据采集光声信号p(r0,t)对图像每个像素的贡献值,利用上式计算得到重建图像的初始值A0(r)。
5.根据权利要求4所述的方法,所述步骤2为采用重建图像的初始值A0(r)和采集光声信号p(r0,t)利用下式计算校正系数:
6.根据权利要求5所述的方法,所述步骤3为基于离散投影矩阵P和重建图像的初始值A0(r),计算计算机模拟光声信号p1,
p1=PA0(r)。
7.根据权利要求6所述的方法,所述步骤4为利用校正系数α1和计算机模拟光声信号p1,得到和采集光声信号p(r0,t)同一量级的残差信号
Δp1=p(r0,t)-α1p1。
8.根据权利要求7所述的方法,所述步骤5为将残差信号Δp1反投影可以得到残差校正图像:
ΔA1(r)=QΔp1;
将残差校正图像ΔA1(r)按一定比例λ∈(0,1)加到重建图像的初始值A0(r),得到更新图像,即第一步迭代重建图像A1(r)
A1(r)=A0(r)+λΔA1(r),
其中λ为残差校正图像的校正系数;
重复步骤2-4及步骤5中的上述步骤,得到更新图像,即第i步迭代重建图像
Ai(r)=Ai-1(r)+λΔAi(r)=Ai-1(r)+λQ(p(r0,t)-αipi)i=1,2,…。
9.根据权利要求8所述的方法,所述步骤6具体为计算重建误差ei
ei=||Ai(r)-Ai-1(r)||2/||Ai-1(r)||2;
设置最小迭代误差和/或最大迭代次数作为迭代终止条件,具体为:先判断重建误差是否小于设定的最小迭代误差,如果达到设定的最小迭代误差,则终止迭代;若没有达到设定的最小迭代误差,再判断迭代次数是否达到最大迭代次数,若达到最大迭代次数,则迭代终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302494.4A CN103345770B (zh) | 2013-07-18 | 2013-07-18 | 一种基于迭代自适应加权的有限视角光声成像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310302494.4A CN103345770B (zh) | 2013-07-18 | 2013-07-18 | 一种基于迭代自适应加权的有限视角光声成像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103345770A CN103345770A (zh) | 2013-10-09 |
CN103345770B true CN103345770B (zh) | 2016-07-06 |
Family
ID=49280563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310302494.4A Active CN103345770B (zh) | 2013-07-18 | 2013-07-18 | 一种基于迭代自适应加权的有限视角光声成像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103345770B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101563499B1 (ko) * | 2013-11-04 | 2015-10-27 | 삼성메디슨 주식회사 | 광음향 프로브 |
CN104899902B (zh) * | 2015-04-14 | 2018-05-04 | 华北电力大学(保定) | 一种血管内光声二维图像的重建方法 |
CN105342567B (zh) * | 2015-11-23 | 2018-08-07 | 苏州大学 | 一种提高重建光声图像信噪比的装置和方法 |
CN109512389B (zh) * | 2018-10-26 | 2021-06-22 | 中南大学 | 基于有限尺寸平面换能器的光声层析成像重建算法 |
CN111956180B (zh) * | 2019-05-20 | 2023-06-27 | 华北电力大学(保定) | 一种重建光声内窥层析图像的方法 |
CN112560274B (zh) * | 2020-12-22 | 2022-12-09 | 上海科技大学 | 一种基于声波叠加的光声效应模拟与仿真方法 |
CN114129130B (zh) * | 2021-10-29 | 2023-09-22 | 西安理工大学 | 基于单地址lut表的光声图像反投影重构方法 |
CN114010228B (zh) * | 2021-12-07 | 2024-03-22 | 深圳北芯生命科技股份有限公司 | 血管内成像系统 |
CN114399562B (zh) * | 2021-12-30 | 2022-08-23 | 山东格诠信息科技有限公司 | 一种结合光通量补偿的迭代量化光声成像方法 |
CN115619889B (zh) * | 2022-11-09 | 2023-05-30 | 哈尔滨工业大学(威海) | 一种适用于环形阵列的多特征融合光声图像重建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306385A (zh) * | 2011-06-22 | 2012-01-04 | 复旦大学 | 任意扫描方式下光声成像的图像重建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2231018A4 (en) * | 2007-12-12 | 2012-11-21 | Jeffrey J L Carson | THREE-DIMENSIONAL PHOTOACUSTIC IMAGING APPARATUS AND METHOD FOR CALIBRATING AN IMAGING APPARATUS |
-
2013
- 2013-07-18 CN CN201310302494.4A patent/CN103345770B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102306385A (zh) * | 2011-06-22 | 2012-01-04 | 复旦大学 | 任意扫描方式下光声成像的图像重建方法 |
Non-Patent Citations (2)
Title |
---|
Limited-view photoacoustic imaging based on an iterative adaptive weighted filtered backprojection approach;Xueyan Liu等;《Applied Optics》;20130520;第52卷(第15期);第3477-3483页 * |
基于代数重建算法的有限角度扫描的光声成像;杨迪武等;《光学学报》;20050630;第25卷(第6期);第772-776页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103345770A (zh) | 2013-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103345770B (zh) | 一种基于迭代自适应加权的有限视角光声成像重建方法 | |
Jose et al. | Speed‐of‐sound compensated photoacoustic tomography for accurate imaging | |
Rosenthal et al. | Fast semi-analytical model-based acoustic inversion for quantitative optoacoustic tomography | |
CN102727259B (zh) | 基于有限角度扫描的光声断层成像装置及方法 | |
US11020006B2 (en) | Transcranial photoacoustic/thermoacoustic tomography brain imaging informed by adjunct image data | |
CN103310472A (zh) | 基于正则化迭代的有限角度光声成像重建方法及装置 | |
CN102821677B (zh) | 光声成像装置和光声成像方法 | |
CN107392977A (zh) | 单视图切伦科夫发光断层成像重建方法 | |
CN111956180B (zh) | 一种重建光声内窥层析图像的方法 | |
CN102306385A (zh) | 任意扫描方式下光声成像的图像重建方法 | |
Liu et al. | Reducing acoustic inhomogeneity based on speed of sound autofocus in microwave induced thermoacoustic tomography | |
Lascaud et al. | Investigating the accuracy of co-registered ionoacoustic and ultrasound images in pulsed proton beams | |
Perez-Liva et al. | Speed of sound ultrasound transmission tomography image reconstruction based on Bézier curves | |
Zhang et al. | Deep-learning-enabled microwave-induced thermoacoustic tomography based on sparse data for breast cancer detection | |
Zhu et al. | Mitigating the Limited View Problem in Photoacoustic Tomography for a Planar Detection Geometry by Regularized Iterative Reconstruction | |
CN104586363A (zh) | 基于图像块稀疏系数的快速光声成像图像重建方法 | |
Guo et al. | Score-based generative model-assisted information compensation for high-quality limited-view reconstruction in photoacoustic tomography | |
Lascaud et al. | Fabrication and characterization of a multimodal 3D printed mouse phantom for ionoacoustic quality assurance in image-guided pre-clinical proton radiation research | |
Manry Jr et al. | FDTD simulations for ultrasound propagation in a 2-D breast model | |
US20190313984A1 (en) | Elastography based on x-ray computed tomography and sound wave integration | |
CN105869191A (zh) | 一种基于时域有限差分的时间反演光声图像重建方法 | |
Ren et al. | Deep learning with physics-embedded neural network for full waveform ultrasonic brain imaging | |
Zarubin et al. | Model-based measurement of internal geometry of solid parts with sub-PSF accuracy using laser-ultrasonic imaging | |
Hopp et al. | Experimental analysis of ray-based sound speed reconstruction algorithms for phase aberration corrected USCT SAFT imaging | |
Lyu et al. | Photoacoustic digital brain: numerical modelling and image reconstruction via deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |