CN113724351A - 一种光声图像衰减校正方法 - Google Patents
一种光声图像衰减校正方法 Download PDFInfo
- Publication number
- CN113724351A CN113724351A CN202110974322.6A CN202110974322A CN113724351A CN 113724351 A CN113724351 A CN 113724351A CN 202110974322 A CN202110974322 A CN 202110974322A CN 113724351 A CN113724351 A CN 113724351A
- Authority
- CN
- China
- Prior art keywords
- photoacoustic image
- absorption coefficient
- tissue absorption
- phi
- luminous flux
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000010521 absorption reaction Methods 0.000 claims abstract description 40
- 230000004907 flux Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 238000003384 imaging method Methods 0.000 abstract description 11
- 230000003287 optical effect Effects 0.000 description 7
- 238000000926 separation method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 241001465754 Metazoa Species 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000003734 kidney Anatomy 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
Description
技术领域
本发明涉及生物医学成像领域,特别是涉及一种光声图像衰减校正方法。
背景技术
光声断层成像(PAT)是一种新兴的生物医学成像技术,具有良好的超声分辨率和光学对比度,可以提供组织结构及功能信息。传统的PAT方法是定性成像,只能提供被吸收的激光能量密度的分布,而被吸收的激光能量密度是光学吸收系数与激光能量分布的乘积。光学吸收系数是组织的本质特征,它直接关系到组织的结构和功能信息。因此,从传统光声图像中消除激光能量分布的影响,进而恢复出组织光学吸收系数的分布具有重大意义。
基于动物不同组织对光的吸收系数与散射系数的不同,现有技术中从传统光声图像中消除激光能量分布的方式是对光声图像直接分割以获取不同区域,并假定各个分割区域内光学吸收系数、散射系数是一致的,再进行衰减校正计算,能够减少计算量。但这种方法需要人工进行手动图像分割,且光声图像对比度和结构信息较差,在现实中应用是非常困难的。此外,动物各器官内的光学参数是空间变化的,现有的对光声图像进行分割校正的方法不适应于这种变化。
因此针对现有技术不足,提供一种光声图像衰减校正方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种光声图像衰减校正方法,采用逐点迭代的方式进行,能够解决光声图像初始光能量分布不均匀的问题,且不需要人工介入,能够直接集成到各光声成像系统中。
本发明的上述目的通过以下技术措施实现:
提供一种光声图像衰减校正方法,包括步骤如下:
S1:将重建得到的光声图像P转为列向量形式p,将p代入线性系统方程中,所述线性系统方程为
p=φμa 式(Ⅰ);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵;
S2:采用最小二乘方式将线性系统方程构造为优化问题模型,所述优化问题模型为
S3:通过分步迭代梯度下降方法对优化问题模型进行迭代求解,获得组织吸收系数μa;
S4:将步骤S3获得的组织吸收系数μa变换为矩阵形式,并生成光通量分布矩阵Φ,将光声图像P和光通量分布矩阵Φ代入式(Ⅲ)得到校正后的光声图像P′;
其中,P的尺寸为m×n,Φ的尺寸为m×n。
优选的,所述步骤S3具体包括:
S3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,当前迭代次数为k,且0≤k≤K;
S3.2:初始化k=1,组织吸收系数μa为0;
S3.3:使用组织吸收系数μa和散射系数μ′s更新稀疏光通量矩阵φ;
S3.4:固定φ不变,使用梯度下降求解优化问题模型,并更新组织吸收系数μa;
S3.5:判断第k次迭代时组织吸收系数的中间值μa的误差是否小于ε或k是否小于最大迭代次数K,若是,则输出k次迭代的组织吸收系数μa,否则,返回S3.3。
优选的,步骤S1中光声图像P使用基于模型的迭代方法或者反投影法重建获得。
优选的,步骤S1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa 式(Ⅳ)
其中,将P和μa转为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(Ⅰ)所述的线性系统方程。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1是本发明一种光声图像衰减校正方法的流程图。
图2是实施例2中多光谱光声图像衰减校正的流程图。
图3是实施例3中活体实验不同波长下光通量校正结果示意图,其中,图3(a)是原始光声图像,图3(b)是吸收系数图,图3(c)是光通量分布图,图3(d)是校正后的光声图像。
图4是实施例3中活体实验波谱分离结果示意图,其中,图4(a)是原始光声图像波谱分离结果,图4(b)是校正后光声图像波谱分离结果,图4(c)是二者的差。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1
一种光声图像衰减校正方法,如图1所示,包括步骤如下:
S1:将重建得到的光声图像P转为列向量形式p,将p代入线性系统方程中,线性系统方程为
p=φμa 式(Ⅰ);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵。
S2:采用最小二乘方式将线性系统方程构造为优化问题模型,优化问题模型为
S3:通过分步迭代梯度下降方法对优化问题模型进行迭代求解,获得组织吸收系数μa;
S4:将步骤S3获得的组织吸收系数μa变换为矩阵形式,并生成光通量分布矩阵Φ,将光声图像P和光通量分布矩阵Φ代入式(Ⅲ)得到校正后的光声图像P′;
其中,P的尺寸为m×n,Φ的尺寸为m×n。
本实施例中,步骤S3具体包括:
S3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,当前迭代次数为k,且0≤k≤K;
S3.2:初始化k=1,组织吸收系数μa为0;
S3.3:使用组织吸收系数μa和散射系数μ′s更新稀疏光通量矩阵φ;
S3.4:固定φ不变,使用梯度下降求解优化问题模型,并更新组织吸收系数μa;
S3.5:判断第k次迭代时组织吸收系数的中间值μa的误差是否小于ε或k是否小于最大迭代次数K,若是,则输出k次迭代的组织吸收系数μa,否则,返回S3.3。采用逐点迭代的方式,能够适用于空间上任意点的光学参数都是变化的动物各器官的光声图像。
该光声图像衰减校正方法,采用逐点迭代的方式,能够校正光通量分布,且校正过程不需要人工介入,校正速度快,校正结果准确。
实施例2
一种光声图像衰减校正方法,其它特征与实施例1相同,不同之处在于:如图2所示,本实施例中进行衰减校正的光声图像为多光谱光声图像。需要说明的是,本实施例中多光谱光声图像具体由四种不同波长的光声图像构成,但实际应用中不限于四种,还可以是两种、三种或者五种等。
本实施例中,步骤S1中光声图像P使用基于模型的迭代方法或者反投影法重建获得。步骤S1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa 式(Ⅳ)
其中,将P和μa为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(Ⅰ)所述的线性系统方程。
需要说明的是,光声图像P的重建方法不限于使用基于模型的迭代方法或者反投影法,还可以是其它方法,适应不同的光学成像系统。
该光声图像衰减校正方法,能够校正多光谱光声图像光通量分布,且能够集成到各光学成像系统中。
实施例3
一种光声图像衰减校正方法,其它特征与实施例1相同,不同之处在于:本实施例具体以活体小鼠的肾脏部位为实验对象进行光声图像衰减校正,使用商用小动物多光谱光声断层成像系统(MSOT inVision128,iThera Medical,Germany)进行实验数据采集。重建得到的原始光声图像如图3(a)所示,获得的吸收系数图如图3(b)所示,光通量分布图如图3(c)所示,校正后的光声图像如图3(d)所示。从图3中可以看出,光通量随着成像深度的增加而逐渐衰减,且校正后的光声图像与原始光声图像相比,在所有波长下都显示出增强的深层组织可见性,特别是对血管。原始光声图像的波谱分离结果如图4(a)所示,校正后光声图像的波谱分离结果如图4(b)所示,二者的差如图4(c)所示。从图4中可以看出,校正后的光声图像可以更准确的分离出深处含氧血和缺氧血的分布,增强了肾脏内部及中心动脉的血氧可见度。
该光声图像衰减校正方法,能够校正光通量分布,且能够提高深处组织可见度,提高光声成像的质量。另外,针对多波长光声图像的衰减校正该方法能够增加波谱分离结果的准确性,提高深处组织血氧分布的可见度。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (4)
1.一种光声图像衰减校正方法,其特征在于,包括如下步骤:
S1:将重建得到的光声图像P转为列向量形式p,将p代入线性系统方程中,所述线性系统方程为
p=φμa式(I);
其中,μa是组织吸收系数,p和μa的尺寸为mn×1,φ为mn×mn的稀疏光通量矩阵;
S2:采用最小二乘方式将线性系统方程构造为优化问题模型,所述优化问题模型为
S3:通过分步迭代梯度下降方法对优化问题模型进行迭代求解,获得组织吸收系数μa;
S4:将步骤S3获得的组织吸收系数μa变换为矩阵形式,并生成光通量分布矩阵Φ,将光声图像P和光通量分布矩阵Φ代入式(III)得到校正后的光声图像P′;
其中,P的尺寸为m×n,Φ的尺寸为m×n。
2.根据权利要求1所述的一种光声图像衰减校正方法,其特征在于,所述步骤S3具体包括:
S3.1:定义总迭代次数为K,误差为ε,散射系数为μ′s,当前迭代次数为k,且0≤k≤K;
S3.2:初始化k=1,组织吸收系数μa为0;
S3.3:使用组织吸收系数μa和散射系数μ′s更新稀疏光通量矩阵φ;
S3.4:固定φ不变,使用梯度下降求解优化问题模型,并更新组织吸收系数μa;
S3.5:判断第k次迭代时组织吸收系数的中间值μa的误差是否小于ε或k是否小于最大迭代次数K,若是,则输出k次迭代的组织吸收系数μa,否则,返回S3.3。
3.根据权利要求1所述的一种光声图像衰减校正方法,其特征在于:步骤S1中光声图像P使用基于模型的迭代方法或者反投影法重建获得。
4.根据权利要求1所述的一种光声图像衰减校正方法,其特征在于:步骤S1中光声图像P等于光通量分布矩阵Φ和组织吸收系数μa之积,具体是
P=Φ×μa式(IV)
其中,将P和μa转为列向量形式,将Φ转为稀疏矩阵形式,即可得到式(I)所述的线性系统方程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974322.6A CN113724351B (zh) | 2021-08-24 | 2021-08-24 | 一种光声图像衰减校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110974322.6A CN113724351B (zh) | 2021-08-24 | 2021-08-24 | 一种光声图像衰减校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724351A true CN113724351A (zh) | 2021-11-30 |
CN113724351B CN113724351B (zh) | 2023-12-01 |
Family
ID=78677597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110974322.6A Active CN113724351B (zh) | 2021-08-24 | 2021-08-24 | 一种光声图像衰减校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724351B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115024739A (zh) * | 2022-08-11 | 2022-09-09 | 之江实验室 | 生物体内格留乃森参数分布的测量方法、应用 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257694A (ja) * | 1996-01-18 | 1997-10-03 | Hamamatsu Photonics Kk | 光ct装置及び光ctによる画像再構成方法 |
CN102393969A (zh) * | 2011-06-02 | 2012-03-28 | 西安电子科技大学 | 基于生物组织特异性的光学三维成像方法 |
WO2013159250A1 (zh) * | 2012-04-28 | 2013-10-31 | 清华大学 | 一种动态荧光分子断层图像的重建方法 |
EP2660618A1 (en) * | 2012-05-04 | 2013-11-06 | Esaote S.p.A. | Biomedical image reconstruction method |
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN110610528A (zh) * | 2019-05-31 | 2019-12-24 | 南方医科大学 | 基于模型的双约束光声断层图像重建方法 |
-
2021
- 2021-08-24 CN CN202110974322.6A patent/CN113724351B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09257694A (ja) * | 1996-01-18 | 1997-10-03 | Hamamatsu Photonics Kk | 光ct装置及び光ctによる画像再構成方法 |
CN102393969A (zh) * | 2011-06-02 | 2012-03-28 | 西安电子科技大学 | 基于生物组织特异性的光学三维成像方法 |
WO2013159250A1 (zh) * | 2012-04-28 | 2013-10-31 | 清华大学 | 一种动态荧光分子断层图像的重建方法 |
EP2660618A1 (en) * | 2012-05-04 | 2013-11-06 | Esaote S.p.A. | Biomedical image reconstruction method |
WO2018099321A1 (zh) * | 2016-11-30 | 2018-06-07 | 华南理工大学 | 一种基于广义树稀疏的权重核范数磁共振成像重建方法 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
CN110610528A (zh) * | 2019-05-31 | 2019-12-24 | 南方医科大学 | 基于模型的双约束光声断层图像重建方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115024739A (zh) * | 2022-08-11 | 2022-09-09 | 之江实验室 | 生物体内格留乃森参数分布的测量方法、应用 |
Also Published As
Publication number | Publication date |
---|---|
CN113724351B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guan et al. | Limited-view and sparse photoacoustic tomography for neuroimaging with deep learning | |
US11170258B2 (en) | Reducing noise in an image | |
Jeon et al. | A deep learning-based model that reduces speed of sound aberrations for improved in vivo photoacoustic imaging | |
Deng et al. | Deep learning in photoacoustic imaging: a review | |
Olefir et al. | Deep learning-based spectral unmixing for optoacoustic imaging of tissue oxygen saturation | |
Rosenthal et al. | Fast semi-analytical model-based acoustic inversion for quantitative optoacoustic tomography | |
Jose et al. | Speed‐of‐sound compensated photoacoustic tomography for accurate imaging | |
CN109598722B (zh) | 基于递归神经网络的图像分析方法 | |
Rajendran et al. | Photoacoustic imaging aided with deep learning: a review | |
Guo et al. | AS-Net: fast photoacoustic reconstruction with multi-feature fusion from sparse data | |
Gehrung et al. | Co-registration of optoacoustic tomography and magnetic resonance imaging data from murine tumour models | |
CN102306385B (zh) | 任意扫描方式下光声成像的图像重建方法 | |
CN110738701A (zh) | 一种肿瘤三维定位系统 | |
EP2780890B1 (en) | System for creating a tomographic object image based on multiple imaging modalities | |
Lan et al. | Y-Net: a hybrid deep learning reconstruction framework for photoacoustic imaging in vivo | |
Zhang et al. | MRI information-based correction and restoration of photoacoustic tomography | |
Liu et al. | Dictionary learning sparse-sampling reconstruction method for in-vivo 3D photoacoustic computed tomography | |
Yang et al. | Recent advances in deep-learning-enhanced photoacoustic imaging | |
KR102037117B1 (ko) | 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치 | |
CN113724351A (zh) | 一种光声图像衰减校正方法 | |
CN116485684A (zh) | 一种基于自监督学习的高精度ct金属伪影校正方法 | |
US11854124B2 (en) | Real-time photoacoustic imaging using a precise forward model and fast iterative inverse | |
US7242004B2 (en) | Image correction method, image correction apparatus, and image correction program | |
Lan et al. | Cross-domain unsupervised reconstruction with equivariance for photoacoustic computed tomography | |
CN117115355A (zh) | 三维超声建模方法、系统、电子设备和可读存储介质 |
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 |