首页 / 专利库 / 诊断设备和程序 / 层析成像 / 过程层析成像 / 电阻层析成像 / 一种新型多频差分电阻抗层析成像重建算法

一种新型多频差分电阻层析成像重建算法

阅读:402发布:2020-05-11

专利汇可以提供一种新型多频差分电阻层析成像重建算法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种新型多频差分 电阻 抗 层析成像 重建 算法 ,具体步骤为:首先利用内部电导率变化与相应边界 电压 变化的近线性关系,将多频电阻抗层析成像图像的重建建模成一个多重测量矢量逆问题求解,然后将解矩阵分解以便于基于结构 感知 的稀疏贝叶斯学习 框架 的使用,通过采用最大边缘似然方法优化对数代价函数来实现后验分布估计,电导率分布的解矩阵最后由最大后验概率估计给出。与 现有技术 相比,本发明的有益效果在于:本发明不再针对单矢量问题,而是在多重测量矢量的稀疏贝叶斯框架下实现差分电阻抗层析成像图像重建,采用的最大边缘似然法提高了后验概率的估计效率,满足高分辨、低复杂度的应用需求。,下面是一种新型多频差分电阻层析成像重建算法专利的具体信息内容。

1.一种新型多频差分电阻层析成像重建算法,其特征在于,具体包括如下步骤:
步骤一,构建模型
内部传导率变化δκ∈RN×1与对应的边界电压变化δy∈RM×1有如下线性近似关(M<N):
δy=Jδκ                              (1)
其中,J∈RM×N是灵敏度矩阵;
将式(1)中线性关系应用到多频通道的情况,用Y和K代替δY和δK,得到频差多通道电阻抗层析成像成像区域内成像通道对基准通道电导率差分K∈RN×L与边界电压差分Y∈RM×L的关系:
Y=JK+V                              (2)
其中,V为加性测量噪声矩阵,满足高斯分布N(0,γ0I),来自不同频率信道的所有电压测量矢量构成测量矩阵Y;
将矩阵K的第l列分解为:
其中,g=N-h+1是总分组数,另外, 表示第g个
预先形成的组,有 所以线性模型(2)被重写成:
用 和 分别表征通道间和通道内的结构关联特征,有:
步骤二,频差电阻抗层析成像图像重建
先对矩阵A的逆模型白化,在此基础上提出服从高斯分布的后验置信度概率模型,然后,给出对数代价函数并用高效的最大边缘似然方法对其优化,再利用优化后的代价函数,通过对超参数求偏导置零的方法求出超参数的更新规则,最后根据各个超参数的更新规则建立循环,实现频差电阻抗层析成像图像重建,算法具体步骤如下:
(1)后验置信度
对矩阵A的逆模式白化来控制通道间的关联性,令 白
化模型的先验概率分布变成 和 白化后矩阵 的第l列向
量的后验置信度满足如下高斯分布:
其中, 表示超参数,式(6)中均值矢量:
式(6)中的协方差矩阵:
其中:
(2)代价函数
先对超参数Θ优先估计,使用如下代价函数:
对超参数的估计可以通过求此代价函数的梯度迭代更新;
从估计的后验平均值X←μA1/2得到式(4)中线性模型中X的最大后验概率;
(3)边缘似然
采用边缘似然法,将C改写成分析i(i=1,...,g)组相关性的形式:
其中,式(10)写成:
式中 在Si和Qi的表达式中用C-1代替 得
到 和
矩阵 被分解成 Pi表示 的特征矩阵,si,k,(k=1,...,h)表示 的第
k个特征值,据此可得:
(4)参数更新规则
超参数的更新规则是利用式(12)对其求偏导并置零的方法求得;上述Si,Qi的更新方法,使用正则化避免过度拟合的问题,得到Bi的更新
求超参数γi的更新表达式,考虑其与相邻组超参数{γi+,γi-}之间的耦合,解出γi的更新表达式 同样也得到γ0的更新表达式;
参考 的更新表达式的推导过程,如果先对矩阵B的逆模型白化,可得到矩阵A的更新表达式
(5)图像重建
通过算法的执行完成基于多任务结构感知贝叶斯学习的差分电阻抗层析成像图像重建,根据精度和运行时约束条件选择参数εmin和υmax的值,当ε>εmin且υ≤υmax时,更新各个超参数的值,执行循环;根据循环结果得到X的最大后验概率估计,得到解矩阵,实现此多频电阻抗层析成像图像重建。

说明书全文

一种新型多频差分电阻层析成像重建算法

技术领域

[0001] 本发明涉及一种新型多频差分电阻抗层析成像重建算法,属于医学与工业成像技术领域。

背景技术

[0002] 电阻抗层析成像的重建问题是在给定边界电压测量值的情况下,确定物体内部的空间变 化电导率分布。电阻抗层析成像是一种十分具有潜的非侵入式成像手段,因其设备不存在 有害辐射,具备简易轻便、价格低廉、时间分辨率高的优点而得到学界和工业界的广泛关注。 电阻抗层析成像成像技术可以分成静态成像和差分成像。静态成像根据单次电压测量得到的 数据集恢复绝对电导率分布,常受到各种建模误差源造成的系统伪影的影响。相比之下,差 分成像通过从两个测量状态之间的差异推断来重建电导率的变化,可以通过测量减少部分系 统伪影。与时间差分成像大量应用于电阻抗层析成像医学图像相比,频率差分电阻抗层析成 像并没有得到太多的关注。而频差电阻抗层析成像不仅能消除时差电阻抗层析成像中常见边 界几何误差,还能在数据收集速度很快情况下消除伪影。但是频差电阻抗层析成像存在易受 噪声影响和固有较低空间分辨率的缺点。
[0003] 而贝叶斯学习的框架在噪声环境下更具鲁棒性,也能在所需重建的图像不是高度稀疏的 情况下提供更好的性能。最近,结构感知贝叶斯学习的概念被引入进行单频通道的电阻抗层 析成像成像。在频差电阻抗层析成像中,必须使用两个频率之间的加权电压差来产生内部电 导率分布随频率变化的图像。内部传导率变化δκ∈RN×1与对应的边界电压变化δy∈RM×1有如 下线性近似关系(M<N):
[0004] δy=Jδκ   (1)
[0005] 其中J∈RM×N是灵敏度矩阵。这是单测量矢量问题,单个电导率解矢量δκ由但电压测量 矢量δy重建。
[0006] 但是本文研究的是多频差电阻抗层析成像的图像重建,得构造多重测量矢量模型,需考 虑快速多重建。另外,需要考虑不同频率帧数任务间的相关性,同时也面临算法复杂度和 计算量的问题。

发明内容

[0007] 技术问题:
[0008] 将结构感知贝叶斯学习框架应用于多通道频差电阻抗层析成像图像的重建,考虑频差多 通道电阻抗层析成像的多任务之间和任务内部存在的结构关联特性,优化函数模型,解决多 任务贝叶斯学习算法的复杂度的问题。
[0009] 技术方案:
[0010] 本发明的目的是通过以下技术方案实现的。
[0011] 一种新型多频差分电阻抗层析成像重建算法,其特征在于,具体包括如下步骤:
[0012] 步骤一,构建模型
[0013] 将式(1)中线性关系应用到多频通道的情况,用Y和K代替δY和δK,可得到频差多通道 电阻抗层析成像成像区域内成像通道对基准通道电导率差分K∈RN×L与边界电压差分 Y∈RM×L的关系:
[0014] Y=JK+V   (2)
[0015] 在这个信号模型中,V为加性测量噪声矩阵,满足高斯分布N(0,γ0I)。来自不同频率信 道的所有电压测量矢量构成测量矩阵Y,下面的问题是由测量矩阵重建解矩阵K,这就成了 多重测量矢量问题。
[0016] 虽然知道有同道间和通道内的结构关联特征存在,但是关于该结构关联具体模式的先验 信息往往是未知的。因此为了便于结构感知稀疏贝叶斯框架的使用,我们将矩阵K的第l列 分解为:
[0017]
[0018] 其中,g=N-h+1是总分组数。另外, 表示第i个 预先形成的组,也有 所以线性模型(2)可被重写
成:
[0019]
[0020] 下面考虑结构关联特征,用 和 分别表征通道间和通道内的结构关联 特征,有:
[0021]
[0022]
[0023]
[0024] 这种表征方法比较直观,但在估计过程中,两种结构关联存在耦合的问题。
[0025] 步骤二,频差电阻抗层析成像图像重建
[0026] 电导率分布的解矩阵最终由最大后验概率估计给出,可利用高效率的最大边缘似然的算 法迭代实现最大后验概率估计。通过对对数代价函数的设计和迭代实现最大边缘似然估计。
[0027] 步骤二的整体思路是:对于A和Bi之间的耦合问题(如图1),可以采用交换学习中的 白化法。先对矩阵A的逆模型白化,在此基础上提出服从高斯分布的后验置信度概率模型。 然后,给出对数代价函数并用高效的最大边缘似然方法对其优化。再利用优化后的代价函数, 通过对超参数求偏导置零的方法求出超参数的更新规则。最后根据各个超参数的更新规则建 立循环,实现频差电阻抗层析成像图像重建。算法具体步骤如下:
[0028] (1)后验置信度
[0029] 我们先选择对矩阵A的逆模式白化来控制通道间的关联性。令 白化模型的先验概率分布变成 和 
白化后矩阵 的第l列向量的后验置信度满足如下高斯分布:
[0030]
[0031] 其中, 表示超参数,式(6)中均值矢量:
[0032]
[0033] 式(6)中的协方差矩阵:
[0034]
[0035] 其中:
[0036]
[0037] (2)代价函数
[0038] 后面可从估计的后验平均值X←μA1/2得到式(4)中线性模型中X的最大后验概率。在这 之前,必须先对超参数Θ优先估计。为此,使用如下代价函数:
[0039]
[0040] 对超参数的估计可以通过求此代价函数的梯度迭代更新。
[0041] (3)边缘似然
[0042] 为了简化计算,采用比期望最大法更高效的边缘似然方法,并在此基础上进一步优化对 数函数和参数估计方法。采用边缘似然法,将C改写成便于分析i(i=1,...,g)组相关性的形式:
[0043]
[0044] 其中,C\i是没有基Φ:,[i]影响的协方差矩阵,故式(10)可以写成:
[0045]
[0046] 式中 为了避免穷举i=1,...,g来求-1
矩阵 的 麻烦,在Si和Qi的表达式中用C 代替 得到 和
[0047] 矩阵 可以被分解成 Pi表示 的特征矩阵,si,k,(k=1,...,h)表示 的第 k个特征值。据此可得:
[0048]
[0049] (4)参数更新规则
[0050] 超参数的更新规则可以利用式(12)对其求偏导并置零的方法求得。类似于上述Si,Qi的更 新方法,可使用正则化避免过度拟合的问题,得到Bi的更新
[0051] 同理求超参数γi的更新表达式,但还要考虑其与相邻组超参数{γi+,γi-}之间的耦合,解 出γi的更新表达式 同样也能得到γ0的更新表达式。
[0052] 参考 的更新表达式的推导过程,类似地,如果先对矩阵B的逆模型白化,可得到矩 阵A的更新表达式
[0053] (5)图像重建
[0054] 由上述的超参数更新规则得到算法流程,通过算法的执行完成基于多任务结构感知贝叶 斯学习的差分电阻抗层析成像图像重建。根据精度和运行时约束条件选择参数εmin和υmax的 值,当ε>εmin且υ≤υmax时,更新各个超参数的值,执行循环。根据循环结果得到X的最大 后验概率估计,进而得到解矩阵,实现此多频电阻抗层析成像图像重建。
[0055] 有益效果:
[0056] 本发明提出了一种一种新型多频差分电阻抗层析成像重建算法,其可应用于多重测量矢 量模型,具有良好的鲁棒性,也增强了差分电阻抗层析成像的空间分辨率,减少了频带间和 频带内耦合,提高了计算效率。附图说明
[0057] 图1多频差分电阻抗层析成像信号模型中需要考虑的连续结构图。
[0058] 图2基于多任务结构感知贝叶斯学习算法的多频差分电阻抗层析成像图像重建伪代码。
[0059] 图3实验电阻抗层析成像测量系统。
[0060] 图4由812个像素组成的有限元网格。
[0061] 图5本实验的多频差分电阻抗层析成像图像重建的仿真图。
[0062] 图6本发明的算法与其他三种算法的相关系数曲线图。
[0063] 图7本发明的算法与其他三种算法的相对重建误差曲线图。

具体实施方式

[0064] 下面将结合附图和具体实施方式对本来发明进行详细说明,需要指出的是,本具体实施 实例不具有限定作用,只用来验证发明的有效性。
[0065] 本发明提出了一种新型多频差分电阻抗层析成像重建算法,为了验证算法的性能优势, 以下给出了本发明的一个实例流程。
[0066] (1)实验装置与参数
[0067] 图2是本发明提出算法的伪代码,在算法初始化时,根据精度和运行时的约束条件选择 ∈min和θmax,我们设置h=4和β=0.25,根据大量的数值模拟和经验选择γ0和Bi(影响不大)。 值得注意的是,在所提出的算法中,如果任何γi=0,则其相应的基Φ:,[i]不包括在当前模型中。 因为在稀疏恢复中,通常大多数γi为零,只有一小部分g团簇贡献计算负载,所以整体计算 复杂度大大降低。
[0068] 上述所提出的多任务结构感知贝叶斯学习算法(图2)在平面宽带电阻抗层析成像传感 器系统上进行实际记录数据的测试。该系统集成了16个电极,实现了1kHz~1.1MHz的激励 和测量,每个通道的平均信噪比为56dB,具有良好的一致性。此实验装置如图3所示,传 感器的内径和高度分别为125mm和30mm。本实验的物质环境是浓度为0.1的盐溶液,在不 同频率(10kHz~300kHz)的条件下,对切好的筒状胡萝卜和尼龙棒进行多频电压测量。筒状 胡萝卜和尼龙棒的直径分别为25mm和30mm。实验采用有限元法对电阻抗层析成像逆问题 数值求解,如图4,总共812个像素近似构成了圆形边界的传感器域,直径为32个像素,每 个像素大小约15.11mm。
[0069] (2)多频差分电阻抗层析成像重建
[0070] 使用上述装置和算法的使用,可以得到图5的多频差分电阻抗层析成像重建结果,该结 果以在10kHz处测得的电压数据作为基线。图中将分别使用l1正则化、TV(全变分)正则化 和传统贝叶斯方法的成像结果与本发明所提算法的结果放在一起进行比较。图中,l1正则化 的目标参数设置为0.1,TV正则化的迭代步长设置为0.01,迭代方法的终止条件设为 ∈min=1×10-5且θmax=200。差分成像中,最重要的就是包合物与背景的对比度。从图5可以明 显看到,与其他三种多频差分电阻抗层析成像重建算法相比,我们提出的多任务结构感知贝 叶斯学习的电阻抗层析成像重建算法具有最佳的边缘和形状的保持性能。再者,本发明所提 的算法产生的伪影明显也是最少的,具有最清晰、准确的图像。
[0071] (3)分辨率评价
[0072] 由于电导率随频率变化,对于多频差分电阻抗层析成像空间分辨率的评估并不容易。但 可以用两个度量近似和客观地进行定量评估,分别是相关系数和相关重建误差。相关系数反 映重建结果和位置真值之间地相似性,值越大表示图像越清晰,精确度越高。图6中的曲线 表明了本发明算法的成像清晰度远由于l1正则化、TV正则化和传统贝叶斯方法的电阻抗层析 成像重建算法。相关重建误差度量失真或伪影的严重性,其值越小代表产生的伪影越小。图 7展示了本发明所提算法与其他三种算法的图像重建误差曲线,本发明所提的电阻抗层析成 像图像重建算法产生的相对误差最小,产生的伪影最少。所以,本发明提出的多任务结构感 知贝叶斯学习的电阻抗层析成像图像重建算法具有良好的空间分辨率,解决了多频差分电阻 抗层析成像空间分辨率不佳的问题。
[0073] 以上所述仅为本发明的具体实施例,并不用于限定本发明的保护范围,凡在本发明的精 神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈