CN113974560A - 环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 - Google Patents
环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 Download PDFInfo
- Publication number
- CN113974560A CN113974560A CN202111272639.1A CN202111272639A CN113974560A CN 113974560 A CN113974560 A CN 113974560A CN 202111272639 A CN202111272639 A CN 202111272639A CN 113974560 A CN113974560 A CN 113974560A
- Authority
- CN
- China
- Prior art keywords
- sparse
- photoacoustic
- array element
- annular
- distribution
- 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.)
- Pending
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
- A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Acoustics & Sound (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,所述方法包括如下步骤:步骤1)利用超声换能器采集环形光声层析系统的光声信号;步骤2)明确稀疏度,确定环形扫描角度稀疏阵元数量,并基于模拟退火算法优化环形扫描角度稀疏阵元分布;步骤3)由相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建。本发明提出基于模拟退火算法针对稀疏成像问题中不同成像目标区域进行稀疏角度最优化选择。本发明基于模拟退火算法得到优化后稀疏阵元分布,由相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建,力求较少的信号采集量实现较高的成像效果。
Description
技术领域
本发明属于光声层析成像领域,涉及一种利用智能学习算法寻求最优化稀疏阵元分布及基于压缩感知稀疏成像的方法。
背景技术
光声成像(Photoacoustic Imaging.PAI)方法是基于光声效应的成像算法应用研究,是一种结合了光学成像和超声成像优点的新型无创成像方式。与超声成像相比,它提供了对重要生理参数(如血红蛋白的氧饱和度和氧代谢率)高光学对比度成像;与纯光学成像相比,它为深度成像提供了更好的空间分辨率。它已经被探索用于癌症的早期诊断、肿瘤血管生成的成像以及心血管易损斑块的检测和识别。光声层析成像是光声成像对的一种成像模式,是基于从二维平面或者三维空间分布的超声换能器来获取图像数据,最终通过重建算法恢复成像目标的光学特性。
在实际光声层析成像系统中,为实现高精度成像,在圆形断层层析成像中,可以通过平均数据和取大量采集角度来实现。因此,为实现高质量,可能需要数百甚至数千个扫描角度来获取图像。这种扫描不仅耗费大量时间,还极大的提高了硬件设备的成本。而且信道串扰与相邻阵元的间距相关,大量的空间全采样也许会增加串扰的影响。传统重建方法包括反投影、滤波反投影以及时间反演重建算法,这些算法在数据采集不完备的情况下都会在重建图像中产生大量伪影,影响图像质量。
传统的稀疏采样模式往往采用均匀稀疏采样的模式。但这是一种折衷的稀疏采样方案,未考虑到每个阵元采集到的光声信号是各不相同的,因此在稀疏成像过程中阵元的稀疏采样不是最优解,影响后续的成像效果。模拟退火最先由Kirkpatrick等人于1983年提出。模拟退火算法来源于固体退火原理,将固体加温至充分高的温度,再让其徐徐冷却,加温时,固体内部粒子随着温度的上升变为无序状态,同时固体内能增大,而徐徐冷却时粒子渐趋有序,最后到达“结晶”状态,此时固体的内能减为最小。在环形扫描角度稀疏优化选择过程中,模拟退火算法是一种寻找函数最小值的过程来模拟固体结晶的物理过程的优化方法。
发明内容
为了克服环形阵列光声层析成像系统稀疏成像过程中均匀稀疏采样影响后续成像效果的问题,本发明提供了一种环形光声层析系统稀疏阵元优化选择及压缩感知成像方法。
本发明的目的是通过以下技术方案实现的:
一种环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,包括如下步骤:
步骤1)利用超声换能器采集环形光声层析系统的光声信号;
步骤2)根据自身使用情况明确稀疏度,确定环形扫描角度稀疏阵元数量,并基于模拟退火算法优化环形扫描角度稀疏阵元分布,其中,基于模拟退火算法优化环形扫描角度稀疏阵元分布的具体步骤如下:
给定初始温度和初始解,初始解设定为均匀稀疏采样的阵元分布,对每个稀疏角度分布X相对应的能量函数f(X),在X的逐渐变化过程中寻找f(X)的最小值,f(X)设置为利用本次稀疏角度分布的超声换能器采集到的光声信号重建出来光声图像的质量,通过一定次数的迭代或者能量函数降到一定阈值以下便得到了优化后的系数阵元分布;
步骤3)由步骤2)确定的相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建,其中,利用压缩感知图像重建算法进行光声图像重建的公式如下:
y=Kθ;
式中,y为最优化稀疏分布超声换能器采集到的光声信号,K为已知的测量矩阵,θ为光声图像。
相比于现有技术,本发明具有如下优点:
1、本发明提出基于模拟退火算法针对稀疏成像问题中不同成像目标区域进行稀疏角度最优化选择。
2、本发明基于模拟退火算法得到优化后稀疏阵元分布,由相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建,力求较少的信号采集量实现较高的成像效果。
附图说明
图1是基于智能学习算法的环形光声层析系统稀疏阵元最优化选择及压缩感知成像方法的流程图。
图2是基于模拟退火算法优化稀疏阵元分布求解流程图。
图3是成像目标在环形扫描模式下采集360个角度光声信号基于滤波反投影算法得到的光声图像,作为标准图像。
图4是基于模拟退火算法针对图1成像目标寻找到的最佳稀疏阵元分布,(a)阵元数量为40,(b)阵元数量为20。
图5是稀疏成像效果图,(a)利用滤波反投影基于均匀稀疏的40个角度光声信号重建的光声图像,(b)利用滤波反投影基于均匀稀疏的20个角度光声信号重建的光声图像,(c)利用滤波反投影基于优化的40个角度光声信号重建的光声图像,(d)利用滤波反投影基于优化的20个角度光声信号重建的光声图像,(e)利用压缩感知基于均匀稀疏的40个角度光声信号重建的光声图像,(f)利用压缩感知基于均匀稀疏的20个角度光声信号重建的光声图像,(g)利用压缩感知基于优化的40个角度重建的光声图像,(h)利用压缩感知基于优化的40、20个角度重建的光声图像。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是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精神和范围,均应涵盖在本发明的保护范围中。
本发明提供了一种基于智能学习算法的环形光声层析系统稀疏阵元最优化选择及压缩感知成像方法,所述方法基于模拟退火算法寻求最优化稀疏阵元分布,并利用相应阵元采集到的光声信号,设计基于压缩感知的图像重建算法,实现由较少数据采集量得到较高的成像质量。其中:
所述用智能学习算法寻求最优化稀疏阵元分布及基于压缩感知稀疏成像的方法主要包含两个部分:一是基于模拟退火算法的优化稀疏阵元分布的确定;二是利用压缩感知图像重建算法由相应阵元采集到的光声信号恢复得到高质量光声图像。
所述模拟退火算法来源于固体退火原理,将固体加温至充分高的温度,再让其徐徐冷却,加温时,固体内部例子随着温度的上升变为无序状态,同时固体内能增大,而徐徐冷却时粒子渐趋有序,最后到达“结晶”状态,此时固体的内能减为最小。模拟退火算法是一种适用于解决优化问题的启发式算法,理论上是一个全局最优算法,运用玻尔兹曼概率分布(Boltzmann Probability Distribution)跳出局部极值区域从而增大了找到全局极值的概率。根据Metropolis准则,粒子在温度T时趋于平衡的概率为exp(-ΔE/T),其中E为温度T时的内能,ΔE为其改变量。用固体模拟退火算法:由初始解X0和控制参数初值T开始,对当前解重复“产生新解-计算目标函数-接受或抛弃”的迭代,并逐步减少T值,算法终止时的当前解即为所得近似最优解,这是基于MonteCarlo迭代求解法的一种启发式随机搜索过程。
所述压缩感知就是稀疏或可压缩信号可通过远低于Shannon-Nyquist采样定理标准的方式进行采样数据,其仍能够实现稀疏或可压缩信号的精确重构。压缩感知的一个重要应用前提是信号或其在某个变换域中的变换式稀疏的或可压缩的。当一个信号x∈RN只有s个元素是非零值(s<<N)时被称之为是s稀疏的,那么信号可以在远低于奈奎斯特采样频率的基础上得到较高质量的重建。幸运的是,大多数医学图像都可以通过找到合适的稀疏变换在某个域内是稀疏的,如公式(1)所示,即变换域内大多数系数值非常小,极小比例的大系数可以代表待重建图像绝大部分的信息,因此在光声图像重建过程中,可以舍弃那些小的系数值,只用少数的大系数恢复原始信号。已证明,光声图像可以通过多种变换转换成稀疏域,例如数值导数(ND)、小波变换等。
x=ψθ (1);
式中,x为原始信号,ψ为稀疏变换基,θ为原始信号的稀疏表示。
具体实施方案如下:
步骤1)利用超声换能器采集光声信号。
步骤2)明确稀疏度,确定稀疏阵元数量。在环形扫描角度稀疏优化选择过程中,模拟退火算法是一种寻找函数最小值的过程来模拟固体结晶的物理过程的优化方法。对每个稀疏角度分布X相对应的能量函数f(X),在X的逐渐变化过程中寻找f(X)的最小值。该能量函数f(X)在本发明中设置为利用本次稀疏角度分布的超声换能器采集到的光声信号重建出来光声图像的质量。稀疏角度分布X的变化是随机选择某一稀疏阵元,并随机向左或向右1°(即环形360个角度全采样时相邻阵元之间的间隔),随着迭代的进行,算法中的超参数温度T会随着迭代次数的增加而缩小,当T<0.01时,迭代停止,得到最终的稀疏优化阵元分布。
如图2所示,详细步骤如下:首先设置超参数温度T为100以及初始解为均匀稀疏分布的阵元,然后根据当前温度T产生一个新解X,产生新解的方法即随机选择某一稀疏阵元,并随机向左或向右1°,进而计算评价函数的增量ΔE,由Metropolis准则来判断当前新解是否被接受,并在该温度下完成充分搜索。接下来对超参数温度T进行衰减,在各个温度下进行充分搜索后,当温度T<0.01时终止迭代,输出最优解。
步骤3)由上一步可得到优化后稀疏阵元分布,由相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建。
实施例:
本实施例中的数据是基于环形阵列光声层析成像系统得到的光声信号。
光声信号由照射在组织表面的超短脉冲激光激发,环形扫描的光声层析成像系统使用的是环形阵列超声换能器用于光声信号的接收,实现对圆形探测平面内的成像目标进行检测成像。
图3展示的是成像目标在环形阵列光声层析成像系统中进行360个角度光声信号的采集,并基于滤波反投影重建算法得到的光声图像,本发明中将它作为标准图像,用于进行对比并评价稀疏重建图像质量的高低。
传感器信号可以被分解成多个简单信号的叠加,在时域上看起来特别复杂的信号在频域上可能会展示出极为简单的分布,而这种简单的信号显然更利于进行数据的编码。为了提高数据压缩编码的效率,本发明提出的编码方法先对信号进行变分模态分解(VMD),然后对分解出来的残差信号进行编码。
利用模拟退火算法来实现最优化稀疏角度的选择。初始温度T设置为1000,马可夫链长度L=100,衰减参数K=0.99,稀疏角度数分别为40和20,初始值PreBestX设置为均匀稀疏采样的角度分布,即PreX=(9,18,27,…351,360)和PreX=(18,36,54,…,342,260),数值表示角度。变化更新的策略为每次随机选择现有稀疏角度中的其中一个,随机正向或负向移动1°。代价函数为计算当前优化选择的稀疏角度光声信号重建图像与全角度重建图像之间的信噪比。图4为针对图3成像目标寻找40和20个优化稀疏角度得到的优化阵元分布。
基于环形阵列的光声层析成像系统中,重建的目标是通过位于成像目标周围的超声换能器采集到的光声信号测量数据y来恢复光声图像θ。假设采集到的光声信号y是测量矩阵K得到的,可以得到y=Kθ。y即为由智能学习算法得到的最优化稀疏分布超声换能器采集到的光声信号,K为已知的测量矩阵,因此,压缩感知稀疏重建是已知y和K,求解θ的过程。最终由较少的数据量实现较高的成像效果。
通过反投影原理,光声层析成像过程中测量矩阵在时域中离散表达式如下式所示:
式中,ri,j表示图像像素的笛卡尔坐标系,rm表示换能器的位置,p表示换能器的数量,qs表示时域中采样点的数目。
针对图2成像目标,图5展示了基于均匀稀疏采样的滤波反投影((a)-(b))、基于稀疏角度智能化选择的滤波反投影((c)-(d))、基于均匀稀疏采样的压缩感知((e)-(f))、基于稀疏角度智能选择的压缩感知((g)-(h))分别在40、20个稀疏角度下的成像效果。本发明选择重建图像信噪比来评价重建效果,数据如表1所示,其中滤波反投影为FBP,基于稀疏角度智能化选择的滤波反投影为SA-FBP,压缩感知为CS,基于稀疏角度智能选择的压缩感知为SA-CS。
表1重建图像信噪比
由表1的数据可知,稀疏角度智能化选择在传统滤波反投影重建中效果及其明显,优化后20个稀疏角度重建的光声图像质量逼近均匀稀疏采样40个角度重建的光声图像。即便应用于专门稀疏重建的压缩感知算法中依然有一定的提升效果。
Claims (5)
1.一种环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,其特征在于所述方法包括如下步骤:
步骤1)利用超声换能器采集环形光声层析系统的光声信号;
步骤2)明确稀疏度,确定环形扫描角度稀疏阵元数量,并基于模拟退火算法优化环形扫描角度稀疏阵元分布;
步骤3)由步骤2)确定的相应阵元位置上超声换能器采集到的光声信号,利用压缩感知图像重建算法进行光声图像重建。
2.根据权利要求1所述的环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,其特征在于所述基于模拟退火算法优化环形扫描角度稀疏阵元分布的具体步骤如下:
给定初始温度和初始解,对每个稀疏角度分布X相对应的能量函数f(X),在X的逐渐变化过程中寻找f(X)的最小值,稀疏角度分布X的变化是随机选择某一稀疏阵元,并随机向左或向右1°,随着迭代的进行,超参数温度T会随着迭代次数的增加而缩小,当T<0.01时,迭代停止,得到最终的稀疏优化阵元分布。
3.根据权利要求2所述的环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,其特征在于所述初始解设定为均匀稀疏采样的阵元分布。
4.根据权利要求2所述的环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,其特征在于所述f(X)设置为利用本次稀疏角度分布的超声换能器采集到的光声信号重建出来光声图像的质量。
5.根据权利要求1所述的环形光声层析系统稀疏阵元优化选择及压缩感知成像方法,其特征在于所述利用压缩感知图像重建算法进行光声图像重建的公式如下:
y=Kθ;
式中,y为最优化稀疏分布超声换能器采集到的光声信号,K为已知的测量矩阵,θ为光声图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272639.1A CN113974560A (zh) | 2021-10-29 | 2021-10-29 | 环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111272639.1A CN113974560A (zh) | 2021-10-29 | 2021-10-29 | 环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113974560A true CN113974560A (zh) | 2022-01-28 |
Family
ID=79744447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111272639.1A Pending CN113974560A (zh) | 2021-10-29 | 2021-10-29 | 环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113974560A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416331A (zh) * | 2023-01-16 | 2023-07-11 | 哈尔滨工业大学 | 基于部分先验梯度域卷积稀疏编码压缩感知光声成像方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103637775A (zh) * | 2013-12-20 | 2014-03-19 | 常州深美基医用设备有限公司 | 一种基于压缩感知理论的环形光声传感装置 |
-
2021
- 2021-10-29 CN CN202111272639.1A patent/CN113974560A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103637775A (zh) * | 2013-12-20 | 2014-03-19 | 常州深美基医用设备有限公司 | 一种基于压缩感知理论的环形光声传感装置 |
Non-Patent Citations (2)
Title |
---|
张国鹏;邓丽军;白杨;刘国栋;曾吕明;纪轩荣;: "基于环形阵列式传感器的光声层析成像研究进展", 激光与光电子学进展 * |
潘浩,孙超,刘雄厚: "基于模拟退火算法的柱面阵列稀疏优化", 《声学技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116416331A (zh) * | 2023-01-16 | 2023-07-11 | 哈尔滨工业大学 | 基于部分先验梯度域卷积稀疏编码压缩感知光声成像方法 |
CN116416331B (zh) * | 2023-01-16 | 2023-09-29 | 哈尔滨工业大学 | 基于部分先验梯度域卷积稀疏编码压缩感知光声成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Manwar et al. | Signal and image processing in biomedical photoacoustic imaging: a review | |
Arridge et al. | Accelerated high-resolution photoacoustic tomography via compressed sensing | |
Ding et al. | Efficient 3-D model-based reconstruction scheme for arbitrary optoacoustic acquisition geometries | |
Xu et al. | Time-domain reconstruction algorithms and numerical simulations for thermoacoustic tomography in various geometries | |
CN106485764B (zh) | Mri图像的快速精确重建方法 | |
Jin et al. | Fast and high-resolution three-dimensional hybrid-domain photoacoustic imaging incorporating analytical-focused transducer beam amplitude | |
WO2016155239A1 (zh) | 合成聚焦超声成像方法和装置 | |
Tian et al. | Spatial resolution in photoacoustic computed tomography | |
US20210132005A1 (en) | Spatiotemporal antialiasing in photoacoustic computed tomography | |
Awasthi et al. | Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography | |
Qi et al. | Photoacoustic tomography image restoration with measured spatially variant point spread functions | |
Li et al. | Multispectral interlaced sparse sampling photoacoustic tomography | |
CN113974560A (zh) | 环形光声层析系统稀疏阵元优化选择及压缩感知成像方法 | |
CN111248858A (zh) | 一种基于频域波数域的光声断层成像重建方法 | |
CN111265245A (zh) | 基于双约束鲁棒Capon波束合成和多重变迹互相关的被动空化成像方法及系统 | |
Sun et al. | An iterative gradient convolutional neural network and its application in endoscopic photoacoustic image formation from incomplete acoustic measurement | |
US20180284249A1 (en) | Ultrasound imaging system and method for representing rf signals therein | |
CN109864707B (zh) | 一种在有限视角情况下提高光声断层成像分辨率的方法 | |
CN104586363A (zh) | 基于图像块稀疏系数的快速光声成像图像重建方法 | |
Jetzfellner et al. | Performance of blind deconvolution in optoacoustic tomography | |
Hua et al. | Sparse‐View Ultrasound Diffraction Tomography Using Compressed Sensing with Nonuniform FFT | |
Wang et al. | Research on ADMM Reconstruction algorithm of Photoacoustic tomography with limited sampling data | |
Wang et al. | Adaptive machine learning method for photoacoustic computed tomography based on sparse array sensor data | |
Chaudhary et al. | Comparison of reconstruction algorithms for sparse-array detection photoacoustic tomography | |
Athira et al. | Image enhancement in reconstructed photoacoustic microscopy images using deep learning |
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 |