快速在体光声计算层析图像重建的方法.docVIP

快速在体光声计算层析图像重建的方法 　　摘要：针对超声阵列式光声计算层析成像技术数据采集量大、成像速度慢的问题，为拓展该技术在血流动力学等领域的应用，提出一种基于主成分分析（PCA）的快速光声计算层析图像重建方法。该方法首先通过部分全采样数据，构建样本图像矩阵；然后，通过矩阵分解运算构建信号投影矩阵；最后，基于该投影矩阵在三倍欠采样条件下快速重建出高质量三维光声图像。在体小鼠背部血管成像实验表明：与传统反投影光声图像重建方法相比，基于主成分分析的光声图像重建方法可将数据采集规模降低约35%，三维图像重建速度提高约40%，实现了三倍欠采样条件下高精度光声图像的快速采集与重建。 　　关键词：光声成像；光声计算层析成像；超声阵列；图像重建；反投影方法；主成分分析 　　中图分类号： TP391.41 文献标志码：A 　　0引言 　　光声成像（PhotoAcoustic Imaging， PAI）是一种新型、无损生物医学成像方法。因其同时具备高光学成像对比度和高超声成像分辨率，目前已成为生物医学成像领域的研究热点之一[1]。光声成像的基本原理为：通过脉冲激光器照射生物组织，组织体瞬时热膨胀产生超声波，超声波在组织中传输，携带着生物组织特性的超声信号，最后由体外的超声换能器探测到。光声计算层析成像（Photoacoustic Computed Tomography， PACT）是光声成像方式的一种，它通过非聚焦超声换能器（单个探头或阵列）采集超声信号，应用一定的重建算法反演组织的光吸收，获取生物组织光吸收图像。PACT适合于较大区域、深层组织成像，目前已经成功应用于多个临床和预临床领域，如：乳腺癌早期诊断、动脉粥样硬化斑块检测、小动物全身成像等[2-4]。然而，阵元密集排布的超声阵列数据采集量大，对数据采集、传输和重建都提出了很高的要求，限制着该技术在对成像速度有更高要求领域的应用[5-6]。事实上，超声阵列通常配置几百个超声阵元，而数据采集卡的通道数目通常情况下不能满足超声探测阵元的数量要求。因此，获取一帧二维图像，需要多次激光照射，这直接降低了数据采集速度。同时，基于大规模数据采集的光声图像重建数据量大，速度慢。为提高数据采集速度，近几年压缩感知（Compressed Sensing， CS）技术已被成功应用于PACT，已有研究成果证明了它在降低数据采集规模和成像系统成本上的优越性[7-8]。然而基于CS的PACT重建过程需要上百次迭代计算，重建速度慢，无法实现快速的光声图像显示。 　　主成分分析（Principal Component Analysis， PCA）是一种非常有价值的数据分析和统计方法，它可以把高维数据空间降到低维特征空间，从而去除冗余数据，实现信号特征提取、数据压缩等[9]。基于以上优势，PCA在人脸识别和基因数据 　　挖掘等领域[10-11]已经得到了广泛应用。2013年，PCA被成功引入到医学计算机断层扫描（Computed Tomography， CT）成像中，通过PCA方法在数据库提取的先验知识，实现了欠采样CT图像的高质量重建[12]。本文首次将主成分分析方法引入到光声计算层析成像中，致力于阵列式PACT的快速数据采集与成像。 核心思想是：利用部分全采样信号，构建特征矩阵，根据得到的特征矩阵重构欠采样下的光声图像。小鼠背部血管的在体成像实验证明了基于PCA的PACT方法，可以通过更少的测量数据重建高质量光声图像。与CS方法相比，由于该方法不需要迭代，重建速度得到极大提高。因此，该项工作的研究将有效降低数据采集规模，实现光声图像的快速重建，推进该成像技术在疾病早期诊断、临床监测和药物评估中的广泛应用。 　　4结语 　　本文通过部分数据的全采样方式，构建了信号投影矩阵，应用主成分分析方法，实现了光声图像的三维快速数据采集和成像。小鼠在体实验表明，在三倍欠采样条件下，该方法可以达到几乎与全采样数据下相同的重建图像质量，同时在相同数据采集规模下，与传统BP方法的图像重建速度相当，相比于压缩感知光声成像方法，图像重建速度可提高几十倍。然而，为了获得高精度的PCA基矩阵，需要一定数量的全采样数据作为训练样本，这使得数据采集速度略低于压缩感知方法。以后工作中，将研究基于分块主成分分析的方法，进一步降低数据采集规模。总之，本文提出的方法能够克服欠采样方式下，压缩感知重建过程的复杂性，有效抑制传统反投影方法的重建噪声，实现三维高质量光声图像的快速重建和显示，促进光声成像技术在各种生物医学领域的深入应用。 　　参考文献： 　　[1] 　　WANG L V， HU S. Photoacoustic tomography： in vivo imaging from organelles to organs