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

1.本发明涉及一种光声成像方法，具体涉及一种基于部分先验支撑的梯度域卷积稀疏编码压缩感知光声成像方法。


背景技术：

2.在过去几年中，光声成像(pai)技术蓬勃发展。pai结合了强光学吸收对比度和高超声分辨率。pact通过成像区域上的宽场照明激发光声信号，并通过逆重建获得目标区域的图像。它可以测量脱氧血红蛋白(hbr)和氧合血红蛋白(hbo2)的浓度，以量化血氧饱和度，从而为通过光学对比在深层组织中进行高分辨率成像提供了一种安全、高效和低成本的功能成像方法，最大成像深度可达7厘米。pact已成功应用于多种应用，包括体内血管结构成像、功能血流动力学成像以及乳腺和脑肿瘤的可视化，它在临床诊断中有很大的应用前景。pact有多种实现模式，包括线性阵列、圆形阵列、凸阵列等，每种模式都有自己的优势和应用。
3.为了从欠采样测量中恢复原始信号或图像，已经开发了许多迭代重建算法，这些算法可以从不完整信号中有效地恢复原始图像。有许多经典的迭代重建算法，包括代数重建算法、联合代数重建算法等，可以解决一些稀疏重建问题。近年来，cs理论发展迅速，它可以有效、准确地从稀疏信号中恢复原始信号。


技术实现要素：

4.本发明的目的是提供一种基于部分先验支撑的梯度域卷积稀疏编码压缩感知光声成像方法，该方法将梯度域卷积稀疏编码引入环阵阵列光声层析成像中，并在成像模型中加入部分先验信息，进一步提高成像效果，最终与其他光声成像领域中的稀疏重建算法相对，可以实现更少阵元光声信号的采集并得到更高质量的重建图像。
5.本发明的目的是通过以下技术方案实现的：
6.一种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，包括如下步骤：
7.步骤一、基于梯度域卷积稀疏编码的压缩感知稀疏重建模型
8.针对环形阵列光声层析成像系统稀疏重建场景，把光声图像转换到梯度域中，在水平梯度和垂直梯度图像上进行滤波学习，利用梯度域卷积稀疏编码建立如下压缩感知稀疏重建模型：
[0009][0010]
其中，y是光声信号测量值，u为待重建的光声图像，k为测量矩阵，{fi}
i＝1,2,...,n
为提前训练好的滤波器，{mi}
i＝1,2,...,n
为相应滤波器对应的特征图像，n为滤波器的个数，*为卷积运算，g0和g1分别是沿x轴和y轴梯度的滤波器，τ、β和λ为超参数；
[0011]
步骤二、将部分先验支撑引入稀疏重建模型
[0012]
将部分先验信息(即变换稀疏域中的一些已知非零位置被用作稀疏之外的附加先验)应用于稀疏重建过程之中，更新步骤一建立的压缩感知稀疏重建模型，在迭代过程中寻找到最优解，进而得到最优重建图像。
[0013]
相比于现有技术，本发明具有如下优点：
[0014]
1)将梯度域卷积稀疏编码引入到光声层析成像系统领域，实现一种新的压缩感知稀疏重建模型。
[0015]
2)将部分先验支撑应用于压缩感知稀疏重建模型，提高每次迭代搜索的效率，实现在更少阵元光声信号的基础上实现更好的重建质量。
附图说明
[0016]
图1为基于部分先验支撑的梯度域卷积稀疏编码压缩感知光声成像方法的实施流程图；
[0017]
图2为重建结果，(a)目标图像，(b)滤波反投影(fbp)重建结果，(c)基于字典(cs-dl)的压缩感知稀疏重建，(d)基于梯度域卷积稀疏编码(cs-cscgr)的压缩感知稀疏重建，(e)基于部分先验支撑的梯度域卷积稀疏编码(cs-cscgr-pks)的压缩感知稀疏重建；
[0018]
图3为图2(a)虚框放大区域，(a)fbp，(b)cs-dl，(c)cs-cscgr，(d)cs-cscgr-pks。
具体实施方式
[0019]
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。
[0020]
本发明提供了一种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，如图1所示，所述方法包括如下步骤：
[0021]
步骤一、基于梯度域卷积稀疏编码的压缩感知稀疏重建模型
[0022]
针对环形阵列光声层析成像系统稀疏重建场景，利用梯度域卷积稀疏编码设计压缩感知稀疏重建模型。
[0023]
与传统的基于补丁的dl方法不同，csc假设图像可以表示为一组滤波器及其相应特征图之间的卷积总和：
[0024][0025]
其中，u表示待重建的光声图像，*表示卷积运算，{fi}
i＝1,2,...,n
是滤波器集合，{mi}
i＝1,2,...,n
是与滤波器fi对应的特征图，ε是噪声水平。
[0026]
对特征图施加梯度约束，从而产生以下优化问题：
[0027]
[0028]
其中，g0和g1分别是沿x轴和y轴梯度的滤波器，τ是超参数。
[0029]
步骤二、将部分先验支撑引入压缩感知稀疏重建模型
[0030]
利用部分先验信息，将其应用于稀疏重建过程之中，更新压缩感知稀疏重建模型，使其更容易在迭代过程中寻找到最优解，可实现更少阵元光声信号的采集并得到更高质量的重建图像。
[0031]
mi∈rn是滤波器fi的特征映射，并且ti＝supp(mi)＝t
i0
∪δ表示数据支撑，为ti的已知支撑，为ti的未知支撑。pks的引入可以将可行的解限制在较小的范围内，从而用较少的样本产生精确的重建。因此，cs-pks的优化过程可以表示为：
[0032][0033]
其中，m
iδ
表示已知支撑之外的信号，ε是噪声等级。
[0034]
压缩感知稀疏重建模型更新为：
[0035][0036]
其中，m
iδ
为加入先验信息之后的特征图。
[0037]
具体重建过程如下：
[0038]
(1)利用环形阵列采集光声信号，即为y，并提前训练好滤波器{fi}
i＝1,2,...,n
，本发明采用交替最小化方案求解上述优化方程(公式5)。
[0039]
(2)用一组固定的特征图{mi}
i＝1,2,...,n
获得中间重建图像u，用固定滤波器表示中间结果u，即计算更新{mi}
i＝1,2,...,n
，最终通过不断迭代更新，得到最接近真实结果的重建图像u。
[0040]
cs-cscgr-pks算法如表1所示：
[0041]
表1
[0042][0043]
图2中的a是目标重建图像，b、c、d、e是不同重建算法得到的重建图像。由图2可知，本发明重建算法的效果更好。同时，本发明还对成像结果进行了定量分析。表2列出了光声数字人脑图像的定量结果。从表2中可以发现，cs-cscgr-pks在所有三个指标中都获得了最高分数。
[0044]
表2光声数字人脑重建图像量化分析
[0045]

技术特征：
1.一种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，其特征在于所述方法包括如下步骤：步骤一、基于梯度域卷积稀疏编码的压缩感知稀疏重建模型针对环形阵列光声层析成像系统稀疏重建场景，把光声图像转换到梯度域中，在水平梯度和垂直梯度图像上进行滤波学习，利用梯度域卷积稀疏编码建立压缩感知稀疏重建模型；步骤二、将部分先验支撑引入稀疏重建模型将部分先验信息应用于稀疏重建过程之中，更新步骤一建立的压缩感知稀疏重建模型，在迭代过程中进行优化，寻找到最优解，进而得到最优重建图像。2.根据权利要求1所述的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，其特征在于所述步骤一中，压缩感知稀疏重建模型如下：其中，y是光声信号测量值，u为待重建的光声图像，k为测量矩阵，{f
i
}
i＝1,2,...,n
为提前训练好的滤波器，{m
i
}
i＝1,2,...,n
为相应滤波器对应的特征图像，n为滤波器的个数，*为卷积运算，g0和g1分别是沿x轴和y轴梯度的滤波器，τ、β和λ为超参数。3.根据权利要求1所述的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，其特征在于所述步骤二中，压缩感知稀疏重建模型更新为：其中，m
iδ
为加入先验信息之后的特征图。4.根据权利要求1所述的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，其特征在于所述步骤二中，优化过程表示为：其中，ε是噪声等级。

技术总结
本发明公开了一种一种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，上述方法包括如下步骤：步骤一、针对环形阵列光声层析成像系统稀疏重建场景，把光声图像转换到梯度域中，在水平梯度和垂直梯度图像上进行滤波学习，利用梯度域卷积稀疏编码建立压缩感知稀疏重建模型；步骤二、将部分先验信息应用于稀疏重建过程之中，更新步骤一建立的压缩感知稀疏重建模型，在迭代过程中寻找到最优解，进而得到最优重建图像。该方法将梯度域卷积稀疏编码引入环阵阵列光声层析成像中，并在成像模型中加入部分先验信息，进一步提高成像效果，最终与其他光声成像领域中的稀疏重建算法相对，可以实现更少阵元光声信号的采集并得到更高质量的重建图像。质量的重建图像。质量的重建图像。


技术研发人员：孙明健 秦泽政 孙敏轩 沈毅 刘广兴 马立勇
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.01.16
技术公布日：2023/7/12