一种自学习的超分辨率三维光声血管图像重建方法及系统技术方案

本发明专利技术公开了一种自学习的超分辨率三维光声血管图像重建方法及系统。所述自学习的超分辨率三维光声血管图像重建方法及系统，首先采用邻域嵌入和自相似性的方法充分挖掘二维光声图像内部存在的多角度和多尺度的相似结构，并采用约束重建方法增强分辨率；然后将三维重建问题转换为二维图像的超分辨率问题，通过不同层面二维光声血管图像的超分辨率结果融合来重建各向同性数据的三维光声血管图像；最终实现在少量样本数据的前提下，对三维光声血管数据进行超分辨率图像重建。与现有光声血管图像增强技术相比，本发明专利技术解决了光声血管图像数据的高维度、数据量和处理难度大的问题，极大的改善了三维光声血管图像分辨率和信噪比。比。比。

【技术实现步骤摘要】
一种自学习的超分辨率三维光声血管图像重建方法及系统


[0001]本专利技术属于光声显微成像
，涉及一种自学习的超分辨率三维光声血管图像重建方法及系统，还涉及用于三维光声血管图像的深度学习技术的部分。

技术介绍

[0002]随着高分辨率、大视场、快速光声成像技术的不断发展，高分辨光声显微术结合临床人体浅表血管学的特征成为光声成像技术临床推广应用的一个重要的方向。根据光学和声学配置的不同，目前光声显微术主要分为光分辨率和声分辨率成像模式。光学分辨率光声显微系统虽然能够实现对人体皮肤内的黑色素细胞及真皮微血管网络的高分辨率可视化，但其受光子散射影响，人体皮肤组织内光的聚焦一般局限于深度不超过1mm范围内，难以满足人体浅表深层组织微血管的无损高分辨显像要求。而声学分辨率光声显微系统利用高频超声波的低散射和深聚焦的优势，最大成像深度可达几个厘米，其在无创高分辨率血管成像中表现出较高的临床应用价值。
[0003]对于声学分辨率光声显微系统，虽然利用合成孔径聚焦技术(SAFTs)技术的大数值孔径超声换能器可以提高离焦区域的横向分辨率，相当于延长了焦深，但恢复的横向分辨率要比超声换能器聚焦区域的原始横向分辨率差，且信噪比低，尤其是在远离声焦点的区域。同时由于血管是管状结构，因此利用SAFTs合成沿实际柱面超声波的光声信号是非常困难的。此外，采用现有的反褶积、像素校正及深度学习等方法虽然能够很好的提高离焦区域的横向分辨率，但需要较高的计算成本或者较大的样本量。
[0004]鉴于现有的三维光声血管图像分辨率与对比度增强技术的效果差、耗时长、样本量大等缺点。然而，快速、高维度、小样本图像超分辨率方法在光声血管成像领域存在重大的临床应用需求。因此，如何实现在少量样本数据的前提下，对三维光声血管数据进行超分辨率图像重建，是本领域亟需解决的技术问题。

技术实现思路

[0005]本专利技术的目的提供一种自学习的超分辨率三维光声血管图像重建方法及系统，以解决光声血管图像数据的高维度、数据量和处理难度大的问题。本专利技术中的自学习的超分辨率三维光声血管图像重建方法及系统具有快速、高维度、小样本、鲁棒性强等特点，可以适配各种光声显微成像系统，更重要的是完全可适配于临床血管检测的声分辨率光声显微成像系统及仪器设备。
[0006]为了实现上述目的，本专利技术提供了如下方案：
[0007]对于初始的三维光声血管数据，通过插值算法将原始数据沿扫描面方向内插成为各向同性的三维光声血管数据；
[0008]然后，在由所述各向同性的三维光声血管数据组成的三维光声血管图像的至少两个切面上获得多个低分辨率二维光声血管断层图像；
[0009]根据所述低分辨率二维光声血管断层图像自身的冗余性来建立超
‑
低分辨率数据
的映射关系；
[0010]通过所述低分辨率二维光声血管断层图像自身构建训练样本库；
[0011]基于所述训练样本库对所述低分辨率二维光声血管断层图像进行重建获得高分辨率二维光声血管断层图像；
[0012]利用非局部先验知识的增强策略，进一步基于所述高分辨率二维光声血管断层图像提高分辨率精度获得超分辨率二维光声血管断层图像；
[0013]将所述低分辨率二维光声血管断层图像序列的前后若干帧图像同时作为多通道网络的输入，根据所述超
‑
低分辨率数据的映射关系得到超分辨率二维光声血管断层图像序列；
[0014]将不同方向切面重建的所述超分辨率二维光声血管断层图像序列融合获得重建的超分辨率三维光声血管图像。
[0015]可选的，根据所述低分辨率二维光声血管断层图像自身的冗余性来建立超
‑
低分辨率数据的映射关系；进而通过所述低分辨率二维光声血管断层图像自身构建训练样本库，采取邻域嵌入的策略，通过最优化重构误差以保证所述低分辨率二维光声血管断层图像局部特征的完整性与连续性；具体包括：
[0016]对于输入所述低分辨率二维光声血管断层图像Y1，将其上采样得到二维光声血管断层图像X2；同时将Y1降质生成二维光声血管断层图像X1，然后下采样再上采样，具体定义如下：
[0017]X1＝((Y1*G)
↓
s)
↑
s
[0018]其中，G代表着模糊核函数，通常采用的是各向异性的高斯模糊核，*表示卷积操作，
↓
和
↑
分别表示下采样和上采样，s为放大倍数。
[0019]可选的，基于所述训练样本库对所述低分辨率二维光声血管断层图像进行重建获得高分辨率二维光声血管断层图像，具体包括：
[0020]将X2分成若干的有重叠的光声血管图像块，对每一个光声血管图像块在训练样本库中的低分辨率光声血管断层图像集中寻找k个最相似的光声血管图像块其中q代表若干个有重叠的光声血管图像块中的任意一个；
[0021]计算每个相似块对的重建权重系数W
iq
，为了获取最优权重，拟采用求解能量方程：
[0022][0023]根据邻域嵌入算法，重建权重系数在邻域范围将相似块的空间位置与重建权重系数映射到高分辨率空间，重建公式如下所示:
[0024][0025]将含有重叠部分的所有图像块排列组合，重叠部分取均值，从而可以得到高分辨率二维光声血管断层图像。
[0026]可选的，所述利用非局部先验知识的增强策略，进一步基于所述高分辨率二维光声血管断层图像提高分辨率精度获得超分辨率二维光声血管断层图像，其中：
[0027]非局部先验知识的公式定义如下：
[0028][0029]其中，Y
i
是高分辨率二维光声血管断层图像中的图像块，S
i
和W
iN
是其N个最相似的图像块和相对权重系数，为超分辨率二维光声血管断层图像。
[0030]可选的，将所述低分辨率二维光声血管断层图像序列的前后若干帧图像同时作为多通道二维卷积网络的输入，其中：
[0031]所述多通道二维卷积神经网络的所述超
‑
低分辨率数据的映射关系用数学关系式可表示为：
[0032][0033]其中，S
x
是从不同方向切面上提取的低分辨率二维光声血管断层图像，而S
y
是对应的超分辨率二维光声血管断层图像，N是低分辨率二维光声血管断层图像样本的总数量；函数f(
·
)是卷积神经网络拟合低分辨率图像到超分辨率图像的映射函数。
[0034]可选的，所述将不同方向切面重建的二维光声血管图像序列融合获得三维重建，具体包括：
[0035]对不同方向切面所述低分辨率二维光声血管断层图像进行超分辨率处理后，便可以得到不同方向切面上超分辨率二维光声血管断层图像，分别为X1,...X
n
；然后通过图像融合的方法获得最终的三维光声血管图像重建；其得到的超分辨率三维光声血管图像用数学关系式可表示为：
[0036]X＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自学习的超分辨率三维光声血管图像重建方法，其特征在于，所述方法包括：对于初始的三维光声血管数据，通过插值算法将原始数据沿扫描面方向内插成为各向同性的三维光声血管数据；然后，在由所述各向同性的三维光声血管数据组成的三维光声血管图像的至少两个切面上获得多个低分辨率二维光声血管断层图像；根据所述低分辨率二维光声血管断层图像自身的冗余性来建立超
‑
低分辨率数据的映射关系；进而通过所述低分辨率二维光声血管断层图像自身构建训练样本库；基于所述训练样本库对所述低分辨率二维光声血管断层图像进行重建获得高分辨率二维光声血管断层图像，并利用非局部先验知识的增强策略，进一步基于所述高分辨率二维光声血管断层图像提高分辨率精度获得超分辨率二维光声血管断层图像；将所述低分辨率二维光声血管断层图像序列的前后若干帧图像同时作为多通道网络的输入，根据所述超
‑
低分辨率数据的映射关系得到超分辨率二维光声血管断层图像序列；将不同方向切面重建的所述超分辨率二维光声血管断层图像序列融合获得重建的超分辨率三维光声血管图像。2.根据权利要求1所述的一种自学习的超分辨率三维光声血管图像重建方法，其特征在于，根据所述低分辨率二维光声血管断层图像自身的冗余性来建立超
‑
低分辨率数据的映射关系；进而通过所述低分辨率二维光声血管断层图像自身构建训练样本库，采取邻域嵌入的策略，通过最优化重构误差以保证所述低分辨率二维光声血管断层图像局部特征的完整性与连续性；具体包括：对于输入所述低分辨率二维光声血管断层图像Y1，将其上采样得到二维光声血管断层图像X2；同时将Y1降质生成二维光声血管断层图像X1，然后下采样再上采样，具体定义如下：X1＝((Y1*G)
↓
s)
↑
s其中，G代表着模糊核函数，通常采用的是各向异性的高斯模糊核，*表示卷积操作，
↓
和
↑
分别表示下采样和上采样，s为放大倍数。3.根据权利要求1或2所述的一种自学习的超分辨率三维光声血管图像重建方法，其特征在于，基于所述训练样本库对所述低分辨率二维光声血管断层图像进行重建获得高分辨率二维光声血管断层图像，具体包括：将X2分成若干的有重叠的光声血管图像块，对每一个光声血管图像块在训练样本库中的低分辨率光声血管断层图像集中寻找k个最相似的光声血管图像块其中q代表若干个有重叠的光声血管图像块中的任意一个；计算每个相似块对的重建权重系数W
iq
，为了获取最优权重，拟采用求解能量方程：根据邻域嵌入算法，重建权重系数在邻域范围将相似块的空间位置与重建权重系数映射到高分辨率空间，重建公式如下所示:
将含有重叠部分的所有图像块排列组合，重叠部分取均值，从而可以得到高分辨率二维光声血管断层图像。4.根据权利要求1所述的一种自学习的超分辨率三维光声血管图像重建方法，其特征在于，所述利用非局部先验知识的增强策略，进一步基于所述高分辨率二维光声血管断层图像提高分辨率精度获得超分辨率二维光声血管断层图像，其中：非局部先验知识的公式定义如...

【专利技术属性】
技术研发人员：马海钢，黄庆华，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：