基于改进遗传算法对光声图像的重建参数优化方法技术

本发明专利技术涉及生物医学中光声成像应用的研究领域，具体涉及利用改进遗传算法对光声成像技术中的图像重建参数的优化方法，光声成像技术利用光声效应的原理，融合了组织体对纯光的高选择性和纯超声在组织中的深穿透性的特点，使得重建出来的图像具备良好的清晰度和对比度。但传统算法重建出的光声图像会存在较多的伪影，严重影响图像的质量。本文所提出的基于改进遗传算法对光声成像技术中的图像重建参数的优化方法，根据初始化的图像利用改进的遗传算法对图像参数反演迭代寻找当前最优的稀疏矩阵，再将该优化矩阵参数利用压缩感知算法迭代重建出符合预定值的图像，从而重建出无伪影的高质量光声图像。

【技术实现步骤摘要】
基于改进遗传算法对光声图像的重建参数优化方法
本专利技术涉及生物医学中光声成像应用的研究领域，具体涉及利用改进遗传算法对光声成像技术中的图像重建参数的优化方法。
技术介绍
图像作为最简单直接的信息传递方式，被研究人员用作疾病诊断的工具，让人们对疾病的深入研究具有十分重要的意义。现如今，生物医学领域的成像技术手段非常丰富，这些医学成像技术在医学临床研究领域的应用也变得更加广泛，目前主要被应用的医学成像方式包括：核磁共振成像、超声波成像、X射线成像、放射性核素成像和光声成像技术等。光声成像技术主要涉及有医学、光学、声学和图像处理等多个领域，其理论基础是利用光声效应，是近年来新兴的一种非侵入性和非电离辐射的生物医学成像技术。目前已经成为生物医学影像中比较热门的一项研究技术。光声成像技术融合了组织体对纯光的高选择性和纯超声在组织中的深穿透性的特点，同时具备光学成像的高对比度和超声成像的高分辨率等优点，因此该技术重建出来的图像具备良好的清晰度和对比度。光声成像的工作原理是：激光脉冲照射下生物组织受热膨胀，组织中周期性的振动产生超声波，分布在组织表面的超声探测器探测到产生的超声波信号后，利用重建算法完成生物组织体内的光吸收图像重建。研究人员通过观察重建算法获得的光声图像对生物体内部的生理组织特征进行研究诊断。此时，性能优良的图像重建算法对光声成像工作至关重要，这也是光声成像技术的关键所在。目前在有限角度扫描情况下，传统的重建算法生成的光声图像中存在较多的重建伪影。本文针对上述问题，提出基于改进遗传算法对光声成像技术中的图像重建参数的优化方法，对重建图像进行伪影消除，以期获得更少伪影的高质量光声图像。
技术实现思路
本专利技术的目的是，提供给一种在有限角度扫描情况下，能够比较好的消除光声成像过程中产生的图像伪影的方法，通过改进遗传算法迭代演化寻找压缩感知算法所需的最优采样矩阵参数，从而达到重建出高质量的光声图像目的。为解决上述专利技术目的，本专利技术所采用的技术方案包括：首先使用稀疏采样得到采样矩阵Xa×c，利用压缩感知算法得到初始重建图像Ci，通过改进的遗传算法对图像Ci参数反推迭代寻找当前最优稀疏矩阵，再根据该优化矩阵参数利用压缩感知算法重建出新的图像Ci+1。若Ci+1的伪影消除度达到预定值，则图像重建成功，否则重复上述步骤。构造初始采样矩阵。根据稀疏扫描数据可以构造出测量矩阵Ma×b，其中各个扫描点为a，成像区域中的像素点为b。再由测量矩阵和测量值可Rb×c计算得到采样矩阵信号Xa×c，其一般公式为：F＝argmin{||RX-M||Z+λ||LX||Z}其中，λ是矩阵正则化系数，L是拉普拉斯变换，Z为误差开方值。基于遗传算法的最优采样矩阵迭代。通过上述计算得到初始采样矩阵，利用遗传算法具有良好的求全局最优解的特点，通过设计多因素适应度函数计算种群适应度值，反推迭代寻找最优矩阵值，以获得消除伪影的高质量重建图像。改进后的遗传算法具体过程如下：第一步：确定编码机制，生成初始种群。将种群初始化是遗传算法迭代运算的第一步，种群由给定数目的生物个体所组成。采样矩阵的各行元素作为染色体，编码方式为二进制码。相位编码的步数作为染色体编码长度，若该相位编码数据有效则在染色体上用1表示；无效则用0表示。种群初始化时，每个染色体的编码位都以等同的概率随机赋值0或1。第二步：计算种群中每个个体的适应度值。个体适应度评价函数直接影响到遗传算法的计算效率。这里的适应值，应该反映重建图像的质量，目标适应度函数如式所示：其中M是测量矩阵，X是重建图像，R表示测量数据；L是拉氏变换，该项作为约束条件起到对结果的过滤作用；ψ是稀疏变换，α和β是惩罚系数，以平衡矩阵数据稀疏性和一致性的权重。第三步：选择算子。本文中的算法采用精英个体保留策略和适应度值随机选取法相结合来选择算子，即适应度最高的个体一定会被选择。若M表示种群大小，Fi表示第i个个体的适应度，那么计算每个个体在种群适应度中被选中概率为：通过每次产生的随机数所在范围区间确定应选择的遗传个体。第四步：交叉算子。根据交叉概率随机选择若干父代进行配对，配对完成后在染色体上随机选择交叉点进行交叉操作。交叉操作不会对种群中表现优良的个体产生破坏，且能产生一些全新的个体，使种群基因趋于多样化。针对本文的图像重建，可以将个体染色体矩阵作为图像采样矩阵，个体染色体的交叉就是对采样矩阵中的行单元进行互换。第五步：变异算子。为了保持种群个体的多样性，防止陷入局部最优，需要根据变异概率随机选择变异个体。通常情况下，只是染色体的一个基因点发生变异，这在该问题中并不能有效提高运算的搜索能力，对最终计算结果影响很小。而遗传算法中得到的变异算子。因此这里我们选择基因块变异，这样的变异方式对种群的多样性和周边搜索能力能够有较大改善，使得算法寻找最优解的速度大大提高。根据图像的不一样性，还需要利用遗传算法迭代对其进行求解，以进行变异，其公式如下：Ht+1＝αHt+βX-1其中X表示采样矩阵，H表示染色体基因块，α和β分别是各自参数上的约束系。第六步：终止条件。若迭代到达预定的最大迭代次数或种群内适应度值趋于稳定则停止迭代，最终得到的染色体矩阵数据则被认为是最优采样矩阵，再利用压缩感知算法对该数据进行重建，以得到新的重建图像；否则，转至第二步，重复上述操作。改进遗传算法反推迭代寻找矩阵数据完成，最终迭代结果即为当前最优稀疏矩阵。将该矩阵利用压缩感知算法重建出新的图像。其中，关于图像质量的评定我们引入图像均方误差算法，图像均方误差是图形质量评价中的重要的度量指标，能够很好的反应重建图像与真实图像之间的差异，其计算公式为：其中，设图像的大小是m×n，X是用于重建的光声图像数据，是作为光声图像参考值。若重建后的图像伪影消除度达到预定值，则图像重建成功，否则重复上述步骤。至此，改进遗传算法对光声成像技术中的图像去伪影重建完成，最终结果即为优化后的光声图像。附图说明图1基于改进遗传算法的重建方法实施流程图；图2采样频率为60Hz下光声图像的均方误差曲线图；图3实施改进方法前后的光声成像结果比较图。具体实施方式下面结合附图及实施实例对本专利技术作进一步的说明。通过Matlab对数据进行处理，将本专利技术提出的基于改进遗传算法对光声成像技术中的图像重建参数的优化方法用代码编写仿真，并对经该方法处理后的光声图像结果进行分析比较。结果表明：改进的遗传算法相比于基本遗传算法具有更明显的优化效果；从光声图像重建质量来看，该算法的全局优化效果更为明显，伪影的消除度较高，且清晰度较好具有较好的辨识度。算法的具体参数设定如下：编码串长度L为图像相位编码的步数，群体大小M＝30，终止代数T＝100，交叉概率pc＝0.9，变异概率pm＝0.05。我们用仪器对样本进行扫描，其中脉冲激光发射波长为532nm，单个激光脉冲的脉宽约为10ns，脉冲能量约为75mJ本文档来自技高网...

【技术保护点】
1.基于改进遗传算法对光声图像的重建参数优化方法,其特征是首先使用稀疏采样得到采样矩阵，利用压缩感知算法得到初始重建图像，通过改进的遗传算法对图像参数反推迭代寻找当前最优稀疏矩阵，再根据该优化矩阵参数利用压缩感知算法重建出新的图像，若该图像的伪影消除度达到预定值，则图像重建成功，否则重复上述步骤，从而达到重建出无伪影的高质量光声图像目的。/n

【技术特征摘要】
1.基于改进遗传算法对光声图像的重建参数优化方法,其特征是首先使用稀疏采样得到采样矩阵，利用压缩感知算法得到初始重建图像，通过改进的遗传算法对图像参数反推迭代寻找当前最优稀疏矩阵，再根据该优化矩阵参数利用压缩感知算法重建出新的图像，若该图像的伪影消除度达到预定值，则图像重建成功，否则重复上述步骤，从而达到重建出无伪影的高质量光声图像目的。


2.如权利要求1所述的基于改进遗传算法对光声图像的重建参数优化方法，其特征在于，初始化光声图像数据后，反推出稀疏矩阵参数，再根据该参数迭代重建新的图像，具体过程如下：
根据现有数据构造出测量矩阵Ma×b和测量值Rb×c，再以此计算得采样矩阵信号Xa×c，其一般公式为：
F＝argmin{||RX-M||Z+λ||LX||Z}
利用改进遗传算法将所得采样矩阵进行编码，依靠遗传算法较好的全局搜索优势，不断地迭代搜索出当前条件下得最优稀疏矩阵参数，再根据图像均方误差等参数设定图像质量标准，通过压缩感知算法对计算出的矩阵数据进行图像的迭代重建，直至达到预设值则输出最终的重建图像。


3...

【专利技术属性】
技术研发人员：朱赟，虞结福，许颖，陈剑，高连峰，
申请(专利权)人：赣南师范大学，
类型：发明
国别省市：江西;36