CN111489316A - 一种基于遗传算法的乳腺扩散光学层析成像系统 - Google Patents
一种基于遗传算法的乳腺扩散光学层析成像系统 Download PDFInfo
- Publication number
- CN111489316A CN111489316A CN202010331277.8A CN202010331277A CN111489316A CN 111489316 A CN111489316 A CN 111489316A CN 202010331277 A CN202010331277 A CN 202010331277A CN 111489316 A CN111489316 A CN 111489316A
- Authority
- CN
- China
- Prior art keywords
- lamp
- ccd detector
- infrared
- mammary gland
- image
- 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.)
- Granted
Links
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 95
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 230000003287 optical effect Effects 0.000 title claims abstract description 27
- 238000009792 diffusion process Methods 0.000 title claims abstract description 17
- 238000003325 tomography Methods 0.000 title claims abstract description 17
- 210000000481 breast Anatomy 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000010521 absorption reaction Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 18
- 230000010354 integration Effects 0.000 claims abstract description 11
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000012800 visualization Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 210000001519 tissue Anatomy 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 42
- 230000004907 flux Effects 0.000 claims description 21
- 238000005286 illumination Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- TXINBPKSWKFMNB-UHFFFAOYSA-N nitro propaneperoxoate Chemical compound CCC(=O)OO[N+]([O-])=O TXINBPKSWKFMNB-UHFFFAOYSA-N 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 235000013405 beer Nutrition 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000003786 synthesis reaction Methods 0.000 claims description 2
- 238000004613 tight binding model Methods 0.000 claims description 2
- 101100313471 Streptomyces sp getA gene Proteins 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 238000003333 near-infrared imaging Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 206010006187 Breast cancer Diseases 0.000 description 1
- 208000026310 Breast neoplasm Diseases 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000030270 breast disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000005624 perturbation theories Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30068—Mammography; Breast
Abstract
Description
技术领域
本发明涉及光学成像领域,尤其涉及一种基于遗传算法的乳腺扩散光学层析成像系统。
背景技术
乳腺疾病是女性的常见病,近些年的临床经验总结表明,乳腺检测的准确率低下是乳腺癌患者死亡率无法降低的原因之一。现有技术中存在乳腺钼靶、X光成像、核磁共振成像和超声成像等乳腺检测方法,但是这些方法获取的图像存在一定的局限性;现有技术中存在一种新兴的红外成像技术,但是这种成像技术获取的图像中的病变组织的形状比较模糊,无法对病灶的具体形状和位置进行判断。因此,有必要发明一种基于遗传算法的乳腺扩散光学层析成像系统。
发明内容
本发明要解决的技术问题是:为了解决红外成像技术获取的图像比较模糊无法确定病灶位置的问题,本发明提供了一种基于遗传算法的乳腺扩散光学层析成像系统来解决上述问题。
本发明解决其技术问题所采用的技术方案是:一种基于遗传算法的乳腺扩散光学层析成像系统,包括:
图像采集模块,所述图像采集模块被配置为采集乳腺图像和两帧暗图像;
图像处理模块,所述图像处理模块被配置为将乳腺图像减去两帧暗图像的平均值后对乳腺图像进行平滑滤波处理,所述图像处理模块还被配置为对第一组的N个近红外LED灯的乳腺图像进行叠加和归一化处理后获取乳腺静态图像;
轮廓提取模块,所述轮廓提取模块被配置为对所述乳腺静态图像进行算法处理获取乳腺轮廓;
图像整合模块,所述图像整合模块被配置为对乳腺轮廓内的M组乳腺图像进行合成叠加处理获取乳腺平均图像;
参数计算模块,所述参数计算模块被配置为利用遗传算法和朗伯比尔定律计算出乳腺的平均衰减系数和几何形状;
矩阵计算模块,所述矩阵计算模块被配置为根据几何形状和DOT前向模型构建DOT前向模型对应的权重矩阵W,所述矩阵计算模块还被配置为对乳腺图像进行对数处理后减去第一组的乳腺图像得到输出矩阵Y,所述矩阵计算模块还被配置为根据权重矩阵W和输出矩阵Y计算乳腺内部吸收系数变化矩阵X;
可视化模块,所述可视化模块被配置为对乳腺内部吸收系数变化矩阵X进行可视化处理和伪彩处理得到乳腺组织光学系数动态变化的彩图。
作为优选,所述图像整合模块被配置为通过以下步骤获取乳腺平均图像:
在乳腺轮廓内计算第一组乳腺图像中每个近红外LED灯的有效照亮区域,在有效照亮区域内得到每个近红外LED灯的有效像素点个数pi(i={1,2,...,N})和N个近红外LED灯的总有效像素点个数pa;
将M组N个近红外LED灯的乳腺图像按照每个近红外LED灯进行整合得到N近红外LED灯的平均图像;
M组N个近红外LED灯的乳腺图像为Idij(i={1,2,...,N},j={1,2,...,M}),平均图像的整合方式的公式如下:
式中:
Idi为第i个近红外LED灯的平均图像;
(Xik,Yik)为乳腺图像中的像素点的坐标;
Idi(Xik,yik)为像素点(Xik,yik)处CCD探测器接收到的第i个近红外LED灯的平均光强;
作为优选,所述参数计算模块被配置为通过以下步骤计算乳腺的平均衰减系数和几何形状:
利用遗传算法计算乳腺z坐标和平均衰减系数α,遗传算法的优化目标的公式如下:
式中:
(xij,yij,zij)为CCD探测器的像素点坐标;
(Xsi,ysi,zsi)为第i个近红外LED灯的像素点坐标;
Idi(xij,yij)为像素点(xij,yij)处CCD探测器接收到的第i个近红外LED灯的平均光强;
I0i为第i个近红外LED灯的光照强度;
rij为CCD探测器的像素点(xij,yij,zij)与第i个近红外LED灯之间的距离;
对遗传算法参数进行初始化;
遗传算法参数包括最大迭代次数MaxGen、种群个数NP、交叉概率pc、变异概率pm和优化参数个数paN;
优化参数个数paN=pa+1,优化参数的上界为CCD探测器的z坐标的最大值和平均衰减系数α的最大值,优化参数的下界为CCD探测器的z坐标的最小值和平均衰减系数α的最小值,CCD探测器的z坐标的范围区间为[Zmin,Zmax],平均衰减系数α的范围区间为[αmin,αmax];
生成初始群体POPi的公式如下:
式中:
randjk为区间[0,1]之间的随机数;
计算每个个体的适应度,适应度的计算公式如下:
对所有个体按照适应度从高到低进行排序得到排序后的群体、最佳适应度值Fbest和最佳个体Sbest,排序后的群体为POPir={Srj,j={1,2,...,NP}};
对种群进行选择操作得到选择后的群体POPNi,选择过程的公式如下:
式中:
POPNi(k)为选择后的群体POPNi中的第k个个体;
对种群进行交叉操作和变异操作;
若随机数col大于交叉概率pc则将两个个体重组生成新的个体,交叉操作过程的公式如下:
对每个个体的每个变量位置随机产生一个随机数Pmkl,k={1,2,...,NP},l={1,2,...,paN},当随机数Pmkl大于变异概率Pm,则进行如下的变异操作:
变异操作过程的公式如下:
若迭代次数gen大于最大迭代次数MaxGen则输出最佳个体Sbest为CCD探测器的z坐标和平均衰减系数α;
若迭代次数gen不大于最大迭代次数MaxGen则将迭代次数gen的数值加1,重新进入计算每个个体的适应度的步骤。
作为优选,所述矩阵计算模块被配置为通过以下步骤计算权重矩阵W、输出矩阵Y和乳腺内部吸收系数变化矩阵X:
对有效照亮区域进行网格划分,得到CCD探测器在三维空间内的离散点群,离散点的空间坐标为(xvi,yvi,zvi),i={1,2,...,Nv};
CCD探测器在三维空间内的离散点群扰动光学吸收系数的求解公式如下:
式中:
Nv为组织内部离散点的个数;
v为光在组织中的传播速度;
D是漫散射系数;
h3为离散点的体积值;
对所有的有效像素点的光学传播方程进行整合,得到的公式如下:
计算前向模型的权重矩阵W,权重矩阵W的公式如下:
计算第k个近红外LED灯经过组织中的点vj后在CCD探测器di处的光通量,光通量对应的权重系数的计算公式如下:
Q1=(1+αrvjdi)(1+αrskvj)cos A<vjdi,din>cos B<skvj,skn>e-α(rvjdi+rskvj-rskdi);
Q2=α[cos α<skdi,skn〉cos β<skdi,din〉((αrskdi)2+3αrskdi+3)-cos γ<skn,din>(1+αrskdi)];
式中:
rvjdi为组织中离散点vj在CCD探测器点di之间的距离;
rskvj为第k个近红外LED灯和组织中离散点vj之间的距离;
rskdi为第k个近红外LED灯和CCD探测器点di之间的距离;
cos A<vjdi,din>为组织中离散点vj、CCD探测器点di向量和CCD探测器点di处的法向量的余弦值;
cos B<skvj,skn>为第k个近红外LED灯、组织中离散点vj向量和第k个近红外LED灯处法向量的余弦值;
cos α<skdi,skn>为第k个近红外LED灯、CCD探测器点di向量和第k个近红外LED灯法向量的余弦值;
cos β<skdi,din〉为第k个近红外LED灯、CCD探测器点di向量和CCD探测器点di法向量的余弦值;
cosγ<skn,din〉为第k个近红外LED灯的法向量和CCD探测器点di法向量的余弦值;
对获取到的M组乳腺图像进行取ln操作,将M组乳腺图像减去第一组的乳腺图像后得到CCD探测器的输出矩阵Y,输出矩阵Y的公式如下:
Yik=(Yik(t1),...,Yik(tM));
式中:
tM为CCD拍摄第M组第一个近红外LED乳腺图像的时间;
Yik为t1时刻到tM时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值向量;
Yik(t)为t时刻与t1时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值;
计算乳腺内部吸收系数变化矩阵X,乳腺内部吸收系数变化矩阵X的公式如下:
式中:
变化矩阵X的求解公式如下:
Y=WX;
J=min(λ||LX||+||WX-Y||);
X=(λLTL+WTW)-1(WTY);
式中:
L为空间正则化矩阵;
λ为正则化系数;
作为优选,还包括图像检测模块,所述图像检测模块被配置为在所述图像处理模块处理乳腺图像之前检测两帧暗图像的标准差STD和差值绝对值的均值MEAN;
若STD大于a1或者MEAN大于a2则表示乳腺图像为不合格数据。
本发明的有益效果是,这种基于遗传算法的乳腺扩散光学层析成像系统通过遗传算法对乳腺的几何形状进行智能化的精确构造,能够在构造的乳腺三维空间下获取乳腺的近红外成像信息和病灶在乳腺中的精确位置。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例提供的一种近红外成像系统的系统图。
图2是本发明一种基于遗传算法的乳腺扩散光学层析成像系统的工作流程图。
图3是本发明一种基于遗传算法的乳腺扩散光学层析成像系统的部分算法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
如图1所示,是用于获取乳腺图像的近红外成像系统的系统图,包括:PC、CCD探测器、乳腺摆放装置、加压装置、近红外LCD灯阵列和控制器。控制器用于控制CCD探测器、加压装置和近红外LCD灯阵列;加压装置用于向位于乳腺摆放装置上的乳腺施加压力;近红外LED等阵列包括N个设置在乳腺摆放装置周围的近红外LED灯;CCD探测器用于采集在近红外LED灯照射下的乳腺图像;PC用于获取CCD探测器采集的乳腺图像。
获取的乳腺图像的具体过程如下:
在暗室环境下,向患者乳腺施加压力;在本实施例中,暗室内需要关闭近红外波段内的所有光源,避免其他可能会被CCD探测器接收到的光源存在于暗室中,进而对乳腺凸显的采集造成影响;除此之外,还需要遮蔽肉眼可见的外界光进入室内,包括关闭窗户、门、窗帘等,若室内存在排风装置、空调机、供水管线穿墙等的,也应当进行适当的遮蔽,避免漏光;
将乳腺摆放装置设置在暗室环境下,通过加压装置向位于乳腺摆放装置上的患者乳腺施加压力,控制器控制乳腺周围的近红外LCD灯阵列循环点亮M个周期,CCD探测器采集M组N个近红外LED灯照射时的合格的乳腺图像和采集前后的两帧暗图像。
基于以上系统,本发明提供了一种基于遗传算法的乳腺扩散光学层析成像系统,如图2~3所示,包括:
图像采集模块,图像采集模块采集乳腺图像和两帧暗图像。
图像处理模块,图像处理模块计算两帧暗图像的平均值Darklmg,再将所有的乳腺图像减去两帧暗图像的平均值Darklmg。
图像处理模块对乳腺图像进行平滑滤波处理后,将第一组的A个近红外LED灯的乳腺图像进行叠加和归一化处理获取乳腺静态图像。
轮廓提取模块,轮廓提取模块对乳腺静态图像进行轮廓提取算法处理后获取乳腺轮廓。
图像整合模块,图像整合模块被配置为通过以下步骤获取乳腺平均图像:
图像整合模块在乳腺轮廓内计算乳腺图像中每个近红外LED灯的有效照亮区域,有效照亮区域为有效照亮像素点的合集;在本实施例中,有效照亮像素点的光照强度需要在有效照亮的范围[Imin,Imax]中,并且至少被两个LED照亮;
图像整合模块在有效照亮区域内得到每个近红外LED灯的有效像素点个数pi(i={1,2,...,N})和N个近红外LED灯的总有效像素点个数pa;
将M组N个近红外LED灯的乳腺图像按照每个近红外LED灯进行整合得到N近红外LED灯的平均图像;
M组N个近红外LED灯的乳腺图像为Idi(i={1,2,...,N},j={1,2,...,M}),平均图像的整合方式的公式如下:
式中:
i表示为第i个近红外LED灯;
j表示第j组乳腺图像;
Idi为第i个近红外LED灯的平均图像;
(xik,yik)为乳腺图像中的像素点的坐标;
Idi(xik,yik)为像素点(xik,yik)处CCD探测器接收到的第i个近红外LED灯的平均光强。
参数计算模块,被配置为通过以下步骤计算乳腺的平均衰减系数和几何形状:
参数计算模块利用遗传算法计算乳腺z坐标和平均衰减系数α,在本实施例中,乳腺z坐标的即为CCD探测器的位置,乳腺的表面和CCD探测器之间的空气对光传播的影响忽略不计。
遗传算法的优化目标的公式如下:
式中:
(xij,yij,zij)为CCD探测器的像素点坐标;
(Xsi,ysi,zsi)为第i个近红外LED灯的像素点坐标;
Idi(xij,yij)为像素点(xij,yij)处CCD探测器接收到的第i个近红外LED灯的平均光强;
I0i为第i个近红外LED灯的光照强度;
rij为CCD探测器的像素点(xij,yij,zij)与第i个近红外LED灯之间的距离。
对遗传算法参数进行初始化,遗传算法参数包括最大迭代次数MaxGen、种群个数NP、交叉概率pc、变异概率Pm和优化参数个数paN;
需要优化的参数包括pa个有效像素点的z坐标和一个平均衰减系数α,故优化参数个数paN=pa+1;优化参数的上界为CCD探测器的z坐标的最大值和平均衰减系数α的最大值,优化参数的下界为CCD探测器的z坐标的最小值和平均衰减系数α的最小值,CCD探测器的z坐标的范围区间为[Zmin,Zmax],平均衰减系数α的范围区间为[αmin,αmax];
在本实施例中,CCD探测器的z坐标为CCD探测器采集乳腺图像时有效照亮区域内乳腺的表面高度;
在本实施例中,迭代次数gen的数值为1;
生成初始群体POPi的公式如下:
式中:
randjk为区间[0,1]之间的随机数;
计算每个个体的适应度,适应度的计算公式如下:
对所有个体按照适应度从高到低进行排序得到排序后的群体、最佳适应度值Fbest和最佳个体Sbest,排序后的群体为POPir={Srj,j={1,2,...,NP}};
对种群进行选择操作得到选择后的群体POPNi,选择过程的公式如下:
式中:
POPNi(k)为选择后的群体POPNi中的第k个个体;
对种群进行交叉操作和变异操作;
若随机数col大于交叉概率pc则将两个个体重组生成新的个体,交叉操作过程的公式如下:
对每个个体的每个变量位置随机产生一个随机数Pmkl,k={1,2,...,NP},l={1,2,...,paN},当随机数Pmkl大于变异概率Pm,则进行如下的变异操作:
变异操作过程的公式如下:
若迭代次数gen大于最大迭代次数MaxGen则输出最佳个体Sbest为CCD探测器的z坐标和平均衰减系数α;
若迭代次数gen不大于最大迭代次数MaxGen则将迭代次数gen的数值加1,重新进入计算每个个体的适应度的步骤。
矩阵计算模块,矩阵计算模块被配置为通过以下步骤计算权重矩阵W、输出矩阵Y和乳腺内部吸收系数变化矩阵X:
矩阵计算模块根据几何形状和DOT前向模型构建DOT前向模型对应的权重矩阵W,对乳腺图像进行对数处理后减去第一组的乳腺图像得到输出矩阵Y,根据权重矩阵W和输出矩阵Y计算乳腺内部吸收系数变化矩阵X,具体过程如下:
对有效照亮区域进行网格划分,得到CCD探测器在三维空间内的离散点群,离散点的空间坐标为(xvi,yvi,zvi),i={1,2,...,Nv};
依据生物组织的漫散射理论和微扰理论,本实施例中的近红外光在组织中的传输满足如下公式:
对上述公式进行离散化后得到CCD探测器在三维空间内的离散点群扰动光学吸收系数的求解公式如下:
式中:
Nv为组织内部离散点的个数;
v为光在组织中的传播速度;
D是漫散射系数;
h3为离散点的体积值;
在本实施例中,组织指的是乳腺组织。
对所有的有效像素点的光学传播方程进行整合,得到的公式如下:
计算前向模型的权重矩阵W,权重矩阵W的公式如下:
计算第k个近红外LED灯经过组织中的点vj后在CCD探测器di处的光通量,光通量对应的权重系数的计算公式如下:
Q1=(1+αrvjdi)(1+αrskvj)cos A<vjdi,din>cos B<skvj,skn>e-α(rvjdi+rskvj-rskdi);
Q2=α[cos α〈skdi,skn>cos β〈skdi,din>((αrskdi)2+3αrskdi+3)-cos γ〈skn,din>(1+αrskdi)];
式中:
rvjdi为组织中离散点vj在CCD探测器点di之间的距离;
rskvj为第k个近红外LED灯和组织中离散点vj之间的距离;
rskdi为第k个近红外LED灯和CCD探测器点di之间的距离;
cos A〈vjdi,din>为组织中离散点vj、CCD探测器点di向量和CCD探测器点di处的法向量的余弦值;
cos B<skvj,skn>为第k个近红外LED灯、组织中离散点vj向量和第k个近红外LED灯处法向量的余弦值;
cos α<skdi,skn>为第k个近红外LED灯、CCD探测器点di向量和第k个近红外LED灯法向量的余弦值;
cos β<skdi,din>为第k个近红外LED灯、CCD探测器点di向量和CCD探测器点di法向量的余弦值;
cosγ<skn,din>为第k个近红外LED灯的法向量和CCD探测器点di法向量的余弦值;
对获取到的M组乳腺图像进行取ln操作,将M组乳腺图像减去第一组的乳腺图像后得到CCD探测器的输出矩阵Y,输出矩阵Y的公式如下:
Yik=(Yik(t1),...,Yik(tM));
式中:
tM为CCD拍摄第M组第一个近红外LED乳腺图像的时间;
Yik为t1时刻到tM时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值向量;
Yik(t)为t时刻与t1时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值;
计算乳腺内部吸收系数变化矩阵X,乳腺内部吸收系数变化矩阵X的公式如下:
式中:
变化矩阵X的求解公式如下:
Y=WX;
J=min(λ||LX||+||WX-Y||);
X=(λLTL+WTW)-1(WTY);
式中:
L为空间正则化矩阵;
λ为正则化系数。
可视化模块,可视化模块对乳腺内部吸收系数变化矩阵X进行可视化处理和伪彩处理得到乳腺组织光学系数动态变化的彩图。对乳腺组织光学系数动态变化的彩图进行解读分析能够发现,图像中存在的吸收扰动系数连续下降、与背景区域变化不一致的区域即为病灶组织所在的区域。
根据另外的实施例,还包括图像检测模块。
图像检测模块能够在图像处理模块处理乳腺图像之前检测CCD探测器采集的两帧暗图像的标准差STD和差值绝对值的均值MEAN。
若STD大于a1或者MEAN大于a2则说明采集乳腺图像的环境不符合要求,同时说明采集的乳腺图像为不合格数据,需要重新设置暗室,重新进行乳腺图像和两帧暗图像的采集。
否则说明暗室环境满足要求,采集的乳腺图像为合格数据,系统能够进行后续的处理工作。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对所述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种基于遗传算法的乳腺扩散光学层析成像系统,其特征在于,包括:
图像采集模块,所述图像采集模块被配置为采集乳腺图像和两帧暗图像;
图像处理模块,所述图像处理模块被配置为将乳腺图像减去两帧暗图像的平均值后对乳腺图像进行平滑滤波处理,所述图像处理模块还被配置为对第一组的N个近红外LED灯的乳腺图像进行叠加和归一化处理后获取乳腺静态图像;
轮廓提取模块,所述轮廓提取模块被配置为对所述乳腺静态图像进行算法处理获取乳腺轮廓;
图像整合模块,所述图像整合模块被配置为对乳腺轮廓内的M组乳腺图像进行合成叠加处理获取乳腺平均图像;
参数计算模块,所述参数计算模块被配置为利用遗传算法和朗伯比尔定律计算出乳腺的平均衰减系数和几何形状;
矩阵计算模块,所述矩阵计算模块被配置为根据几何形状和DOT前向模型构建DOT前向模型对应的权重矩阵W,所述矩阵计算模块还被配置为对乳腺图像进行对数处理后减去第一组的乳腺图像得到输出矩阵Y,所述矩阵计算模块还被配置为根据权重矩阵W和输出矩阵Y计算乳腺内部吸收系数变化矩阵X;
可视化模块,所述可视化模块被配置为对乳腺内部吸收系数变化矩阵X进行可视化处理和伪彩处理得到乳腺组织光学系数动态变化的彩图。
2.如权利要求1所述的一种基于遗传算法的乳腺扩散光学层析成像系统,其特征在于:
所述图像整合模块被配置为通过以下步骤获取乳腺平均图像:
在乳腺轮廓内计算第一组乳腺图像中每个近红外LED灯的有效照亮区域,在有效照亮区域内得到每个近红外LED灯的有效像素点个数pi(i={1,2,...,N})和N个近红外LED灯的总有效像素点个数pa;
将M组N个近红外LED灯的乳腺图像按照每个近红外LED灯进行整合得到N个近红外LED灯的平均图像;
M组N个近红外LED灯的乳腺图像为Idij(i={1,2,...,N},j={1,2,...,M}),平均图像的整合方式的公式如下:
式中:
Idi为第i个近红外LED灯的平均图像;
(xik,yik)为乳腺图像中的像素点的坐标;
Idi(xik,yik)为像素点(xik,yik)处CCD探测器接收到的第i个近红外LED灯的平均光强。
3.如权利要求2所述的一种基于遗传算法的乳腺扩散光学层析成像系统,其特征在于:
所述参数计算模块被配置为通过以下步骤计算乳腺的平均衰减系数和几何形状:
利用遗传算法计算乳腺z坐标和平均衰减系数α,遗传算法的优化目标的公式如下:
式中:
(xij,yij,zij)为CCD探测器的像素点坐标;
(xsi,ysi,zsi)为第i个近红外LED灯的像素点坐标;
Idi(xij,yij)为像素点(xij,yij)处CCD探测器接收到的第i个近红外LED灯的平均光强;
I0i为第i个近红外LED灯的光照强度;
rij为CCD探测器的像素点(xij,yij,zij)与第i个近红外LED灯之间的距离;
对遗传算法参数进行初始化;
遗传算法参数包括最大迭代次数MaxGen、种群个数NP、交叉概率pc、变异概率Pm和优化参数个数paN;
优化参数个数paN=pa+1,优化参数的上界为CCD探测器的z坐标的最大值和平均衰减系数α的最大值,优化参数的下界为CCD探测器的z坐标的最小值和平均衰减系数α的最小值,CCD探测器的z坐标的范围区间为[Zmin,Zmax],平均衰减系数α的范围区间为[αmin,αmax];
生成初始群体POPi的公式如下:
式中:
randjk为区间[0,1]之间的随机数;
计算每个个体的适应度,适应度的计算公式如下:
对所有个体按照适应度从高到低进行排序得到排序后的群体、最佳适应度值Fbest和最佳个体Sbest,排序后的群体为POPir={Srj,j={1,2,...,NP}};
对种群进行选择操作得到选择后的群体POPNi,选择过程的公式如下:
式中:
POPNi(k)为选择后的群体POPNi中的第k个个体;
对种群进行交叉操作和变异操作;
若随机数col大于交叉概率pc则将两个个体重组生成新的个体,交叉操作过程的公式如下:
对每个个体的每个变量位置随机产生一个随机数Pmkl,k={1,2,...,NP},l={1,2,...,paN},当随机数Pmkl大于变异概率Pm,则进行如下的变异操作:
变异操作过程的公式如下:
若迭代次数gen大于最大迭代次数MaxGen则输出最佳个体Sbest为CCD探测器的z坐标和平均衰减系数α;
若迭代次数gen不大于最大迭代次数MaxGen则将迭代次数gen的数值加1,重新进入计算每个个体的适应度的步骤。
4.如权利要求3所述的一种基于遗传算法的乳腺扩散光学层析成像系统,其特征在于:
所述矩阵计算模块被配置为通过以下步骤计算权重矩阵W、输出矩阵Y和乳腺内部吸收系数变化矩阵X:
对有效照亮区域进行网格划分,得到CCD探测器在三维空间内的离散点群,离散点的空间坐标为(xvi,yvi,zvi),i={1,2,...,Nv};
CCD探测器在三维空间内的离散点群扰动光学吸收系数的求解公式如下:
式中:
Nv为组织内部离散点的个数;
v为光在组织中的传播速度;
D是漫散射系数;
h3为离散点的体积值;
对所有的有效像素点的光学传播方程进行整合,得到的公式如下:
计算前向模型的权重矩阵W,权重矩阵W的公式如下:
计算第k个近红外LED灯经过组织中的点vj后在CCD探测器di处的光通量,光通量对应的权重系数的计算公式如下:
Q2=α[cosα〈skdi,skn>cosβ<skdi,din>((αrskdi)2+3αrskdi+3)-cosγ<skn,din〉(1+αrskdi)];
式中:
rvjdi为组织中离散点vj在CCD探测器点di之间的距离;
rskvj为第k个近红外LED灯和组织中离散点vj之间的距离;
rskdi为第k个近红外LED灯和CCD探测器点di之间的距离;
cos A<vjdi,din>为组织中离散点vj、CCD探测器点di向量和CCD探测器点di处的法向量的余弦值;
cos B<skvj,skn〉为第k个近红外LED灯、组织中离散点vj向量和第k个近红外LED灯处法向量的余弦值;
cosα<skdi,skn>为第k个近红外LED灯、CCD探测器点di向量和第k个近红外LED灯法向量的余弦值;
cosβ<skdi,din〉为第k个近红外LED灯、CCD探测器点di向量和CCD探测器点di法向量的余弦值;
cosγ<skn,din>为第k个近红外LED灯的法向量和CCD探测器点di法向量的余弦值;
对获取到的M组乳腺图像进行取ln操作,将M组乳腺图像减去第一组的乳腺图像后得到CCD探测器的输出矩阵Y,输出矩阵Y的公式如下:
Yik=(Yik(t1),...,Yik(tM));
式中:
tM为CCD拍摄第M组第一个近红外LED乳腺图像的时间;
Yik为t1时刻到tM时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值向量;
Yik(t)为t时刻与t1时刻第i个近红外LED灯经过组织在CCD探测器上第k个有效像素点处接收到的光通量的差值;
计算乳腺内部吸收系数变化矩阵X,乳腺内部吸收系数变化矩阵X的公式如下:
式中:
变化矩阵X的求解公式如下:
Y=WX;
J=min(λ||LX||+||WX-Y||);
X=(λLTL+WTW)-1(WTY);
式中:
L为空间正则化矩阵;
λ为正则化系数。
5.如权利要求4所述的一种基于遗传算法的乳腺扩散光学层析成像系统,其特征在于:
还包括图像检测模块,所述图像检测模块被配置为在所述图像处理模块处理乳腺图像之前检测两帧暗图像的标准差STD和差值绝对值的均值MEAN;
若STD大于a1或者MEAN大于a2则表示乳腺图像为不合格数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331277.8A CN111489316B (zh) | 2020-04-24 | 2020-04-24 | 一种基于遗传算法的乳腺扩散光学层析成像系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010331277.8A CN111489316B (zh) | 2020-04-24 | 2020-04-24 | 一种基于遗传算法的乳腺扩散光学层析成像系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111489316A true CN111489316A (zh) | 2020-08-04 |
CN111489316B CN111489316B (zh) | 2023-09-26 |
Family
ID=71813028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010331277.8A Active CN111489316B (zh) | 2020-04-24 | 2020-04-24 | 一种基于遗传算法的乳腺扩散光学层析成像系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111489316B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133411A (zh) * | 2020-09-09 | 2020-12-25 | 上海黛美医疗科技有限公司 | 一种图像处理系统及方法 |
CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
CN114027802A (zh) * | 2022-01-10 | 2022-02-11 | 杭州纬壹医疗科技有限公司 | 一种扩散光学层析成像系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020140957A1 (en) * | 2001-03-30 | 2002-10-03 | Toru Matama | Image processing method |
CN102093668A (zh) * | 2010-12-23 | 2011-06-15 | 天津大学 | 光学乳腺成像用固态仿体制作方法 |
TW201216084A (en) * | 2010-10-01 | 2012-04-16 | Univ Nat Chiao Tung | Method, apparatus and program product for Diffuse Optical Tomography reconstruction by overlapping/compose of sub-images |
CN102609923A (zh) * | 2012-03-09 | 2012-07-25 | 深圳职业技术学院 | 红外图像处理方法及装置 |
-
2020
- 2020-04-24 CN CN202010331277.8A patent/CN111489316B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020140957A1 (en) * | 2001-03-30 | 2002-10-03 | Toru Matama | Image processing method |
TW201216084A (en) * | 2010-10-01 | 2012-04-16 | Univ Nat Chiao Tung | Method, apparatus and program product for Diffuse Optical Tomography reconstruction by overlapping/compose of sub-images |
CN102093668A (zh) * | 2010-12-23 | 2011-06-15 | 天津大学 | 光学乳腺成像用固态仿体制作方法 |
CN102609923A (zh) * | 2012-03-09 | 2012-07-25 | 深圳职业技术学院 | 红外图像处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
DANILO CESAR PEREIRAA.ET AL: "\"Segmentation and detection of breast cancer inmammograms combining wavelet analysis andgenetic algorithm\"", vol. 114, no. 1 * |
王宇舟等: ""一种星载CCD的标定与图像改正技术"", vol. 24, no. 6 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112133411A (zh) * | 2020-09-09 | 2020-12-25 | 上海黛美医疗科技有限公司 | 一种图像处理系统及方法 |
CN113180601A (zh) * | 2021-04-27 | 2021-07-30 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
CN113180601B (zh) * | 2021-04-27 | 2023-01-03 | 浙江杜比医疗科技有限公司 | 一种动态光学乳腺成像的肿瘤特征分析装置及相关组件 |
CN114027802A (zh) * | 2022-01-10 | 2022-02-11 | 杭州纬壹医疗科技有限公司 | 一种扩散光学层析成像系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111489316B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3226766B1 (en) | System and method for image calibration | |
CN111489316B (zh) | 一种基于遗传算法的乳腺扩散光学层析成像系统 | |
US11016040B2 (en) | Apparatus and method of processing data acquired in x-ray examination, and x-ray examination system equipped with the apparatus | |
US11452455B2 (en) | Skin reflectance and oiliness measurement | |
JP6669521B2 (ja) | マルチスペクトル光音響イメージングのためのデバイスおよび方法 | |
WO2019010648A1 (en) | SYSTEM AND METHOD FOR CORRECTION TO AIR | |
EP2531094A1 (en) | Photoacoustic apparatus and a method for its use to acquire biofunctional information | |
CN107007267A (zh) | 用于分析热图像的方法、设备和系统 | |
Guggenheim et al. | Multi-modal molecular diffuse optical tomography system for small animal imaging | |
US20210209818A1 (en) | Medical imaging system with a fixed array of x-ray detectors and a fixed array of x-ray emitters for producing a digital 3-dimensional image | |
CN105326475A (zh) | 一种基于多光源分辨的生物发光断层成像重建方法 | |
CN103300829A (zh) | 一种基于迭代重加权的生物自发荧光断层成像方法 | |
Erickson et al. | Three-dimensional fluorescence tomography of human breast tissues in vivo using a hand-held optical imager | |
CA2524807C (en) | System and method for identifying and classifying dynamic thermodynamic processes in mammals and discriminating between and among such processes | |
US7408156B2 (en) | System and method for identifying and classifying dynamic thermodynamic processes in mammals and discriminating between and among such processes | |
CA2377344C (en) | Method and apparatus for high resolution dynamic digital infrared imaging | |
US20230222658A1 (en) | Spectral dark-field imaging | |
CN113425260B (zh) | 一种近红外乳腺扫描成像方法及相关组件 | |
CN111595874A (zh) | 一种动态定量成像的整环spect/能谱ct | |
CN114587275A (zh) | 一种人体红外影像的双向层析数据处理方法 | |
CN113303787B (zh) | 基于红外成像技术的压疮伤口检测计算系统 | |
CN108065950A (zh) | 一种放射成像方法及其系统 | |
FI126891B (fi) | Lähi-infrapuna-alueella toimiva, keskitettyä fotodynaamista spektrianalyysiä hyödyntävä menetelmä kasvainten tutkimiseksi, todentamiseksi ja paikallistamiseksi | |
Suzuki et al. | Automated detection method of thoracic aorta calcification from non-contrast CT images using mediastinal anatomical label map | |
He et al. | 3-D Blood Flow Imaging of Breast Tumor Using Noncontact Diffuse Correlation Tomography: Computer Simulations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |