论文部分内容阅读
光声成像(Photoacoustic Imaging,PAI)是一种新型无损成像方式。它在医学影像领域兼具光学成像和超声成像的优点,具有高对比度、高分辨率、多尺度成像深度等优势。近几年来,PAI受到越来越多的关注,已经成为生物医学影像领域的研究热点之一。阵列式光声计算层析成像(Photoacoustic Computed Tomography,PACT),为保证成像质量,需要阵元密集排布,因此数据采集量大,直接制约着该种成像方式的成像速度,限制了它在对成像速度要求较高领域的应用。此外,阵元密集排布也会增加阵列制作工艺的难度,成本高。因此,降低数据采集量,提高数据采集速度具有重要的研究意义。然而,欠采样数据下,传统重建方法得到的光声图像有大量条状噪声和伪影,严重降低了成像质量。欠采样噪声具有不均匀的结构特征,且大比例欠采样下,伪影的幅值大小和形状都和血管信号比较相近,普通去噪方法难以去除该类噪声。因此,本文研究了基于字典学习的欠采样光声图像去噪方法,证明了字典学习算法在去除欠采样光声图像重建伪影方面的优越性。本文主要有三个研究内容:(1)基于传统字典学习算法(Dictionary Learning,DL)的光声图像降噪方法。该方法在保留原有信号清晰度的同时,可以去除部分幅值较小的噪声和伪影。(2)基于空间域双字典学习算法(Dual Dictionary Learning,DDL)的光声图像降噪研究。该方法产生一种双字典,其一半是经信号训练得到的含有图像特征信息的特征字典,另一半是用图像的噪声和伪影数据训练得到的含有图像噪声信息的噪声字典。去噪过程中通过把伪影部分对应的字典稀疏系数置零,可实现图像的降噪处理。这种双字典学习算法可以有效去除大部分噪声和伪影,尽可能的保留原有信号。(3)小波双字典学习算法(Wavelet based Dual Dictionary Learning,WDDL)。该种方法对小波域的不同子带均训练产生信号字典和噪声字典,并在各个子带中进行基于各自双字典的稀疏表示;然后经逆小波变换得到处理后的光声图像。与前面两种降噪方法相比,小波双字典在保留信号的同时,能够更好的去除重建伪影。为验证本文提出的光声图像降噪方法,开展了活体小鼠背部血管和人手血管成像实验,实验结果证明了双字典学习方法能够有效去除欠采样光声图像重建伪影。该研究为欠采样光声成像提供了算法支持,能够降低PACT的数据采样率和超声阵列制作成本,有效推进光声成像在各种生物医学研究领域的应用。