基于双尺度物理引导的极稀疏采样光声显微成像重建方法
本发明涉及光声成像图像重建领域,具体涉及一种基于双尺度物理引导的极稀疏采样光声显微成像重建方法。
背景技术:
1、光学分辨率光声显微镜(or-pam)结合了光学吸收对比度与超声深层组织穿透性的优势,实现了对微血管结构、血流动力学和代谢活动的无标记、亚细胞分辨率可视化,在非侵入性生物医学成像领域展现出强大的应用前景。然而,or-pam的临床和科研应用始终受制于成像速度与空间分辨率之间的权衡。为了保持紧凑光学聚焦带来的高空间分辨率,传统系统必须执行密集的逐点机械扫描以满足奈奎斯特采样定理,这种对高密度空间采样的严格要求不可避免地限制了整体的采集速率,使其难以捕获快速的生理病理过程。
2、缓解成像速度瓶颈的策略主要包括硬件加速与稀疏采样技术两部分。硬件加速方案虽然提升了扫描速度,但仍依赖于密集采样,其最终速度受限于激光器的脉冲重复频率。稀疏采样则通过扩大扫描步长来显著减少数据采集量并加速成像,但这会导致严重的图像退化。目前已发展出诸多先进的深度学习方法来重建丢失的微观结构细节。现有的一种基于深度学习的光声图像超分辨重建方法及装置(cn111127320b),利用仿真与实验数据集递进式训练神经网络,以实现光声图像的超分辨后处理重建。但其关键缺陷在于该方法仅实现了×2、×3、×4等较低倍率的图像重建,其在原始信号采集层面的加速比过低,整体成像速度的实质性提升非常有限,难以根本性打破光声显微成像长期面对的速度-分辨率瓶颈。现有的一种基于艾里光束联合稀疏采样的光声显微成像系统及方法(cn116519601b),该发明利用空间光调制器生成长焦深的无衍射艾里光束,结合二维三角利萨如轨迹进行稀疏扫描采样,并采用包含正反向映射的超分辨率循环生成对抗网络实现高分辨率图像重建。在极高稀疏采样条件下,利萨如轨迹的扫描间隔过大会导致严重的空间采样空白与不可逆的空间信息丢失,无法保证微血管重建的保真度。
3、在极稀疏采样条件下(如快轴和慢轴采集步长均扩大16倍,即仅保留0.4%原始像素),or-pam紧凑的光学焦点与显著扩大的扫描步长之间存在巨大的物理差异,传统方法缺乏能够捕获血管完整空间分布的底层物理先验引导,纯数据驱动的网络模型在重建时常常会出现结构断裂与失真。
技术实现思路
1、本发明的主要目的在于克服现有技术的缺点与不足,提出一种基于双尺度物理引导的极稀疏采样光声显微成像重建方法。为了克服光声成像稀疏物理极限,该方法利用具有较宽点扩散函数的声学分辨率成像模态作为物理低通滤波器,提取出可靠的结构先验,并结合双尺度超分辨生成对抗网络进行融合重建,有效克服了极稀疏采样下的空间信息丢失问题,实现了高保真图像重建。
2、本发明至少通过如下技术方案之一实现。
3、基于双尺度物理引导的极稀疏采样光声显微成像重建方法,包括以下步骤:
4、(1)、通过光-声学双尺度激发采集光声信号并分别获取到光学分辨率光声图像和声学分辨率光声图像;
5、(2)、图像下采样处理生成下采样后的声学分辨率光声图像和下采样后的光学分辨率光声图像;
6、(3)、下采样后的声学分辨率光声图像基于点扩散函数(psf)执行去模糊处理获取血管结构先验;
7、(4)、下采样的光学分辨率光声图像及血管结构先验输入训练好的双尺度物理引导的极稀疏采样重建网络,输出高分辨率的光学分辨率光声图像。
8、进一步地,步骤(1)包括:
9、光学尺度激发:使用脉冲激光的聚焦光斑对样品进行激发产生光声信号,并通过同轴共焦的声场接收,聚焦激发光斑的大小小于声场大小,成像分辨率取决于激发光斑,超声换能器接收的光声信号经后处理后,通过最大幅值投影重建获取到光学分辨率光声图像;
10、声学尺度激发:使用脉冲激光的扩散光斑对样品进行激发产生光声信号,并通过同轴的声场接收,扩散激发光斑的大小大于声场大小,成像分辨率取决于接收声场,超声换能器接收的光声信号经后处理后,通过最大幅值投影重建获取到声学分辨率光声图像。
11、进一步地,步骤(2)包括:
12、采用等间隔抽点采样完成下采样,直接在二维图像空间按固定行列间隔抽取像素点,舍弃中间像素,得到尺寸压缩后的低分辨率图像,分别对声学分辨率光声图像、光学分辨率光声图像独立执行该间隔抽点下采样,得到配对的下采样后的声学分辨率光声图像和下采样后的光学分辨率光声图像。
13、进一步地,步骤(3)包括:
14、计算声学点扩散函数的对数梯度;
15、对所述对数梯度应用裁剪操作,以防止背景噪声放大并确保数值的稳定性,从而获得裁剪后的梯度矢量场;
16、利用所述裁剪后的梯度矢量场确定像素级位移的精确方向和幅度;
17、根据像素级位移的精确方向和幅度,将扩散的模糊声学能量空间压缩并确定性地重新分布回其空间质心原点,从而生成锐化的结构先验。
18、进一步地,训练双尺度物理引导的极稀疏采样重建网络的数据集,通过以下方式得到:
19、以同一场景采集一一配对的全采样声学分辨率光声图像、全采样光学分辨率光声图像构建原始数据集,并将原始数据集划分为训练集、验证集和测试集;
20、数据预处理阶段,对配对的全采样声学分辨率、光学分辨率光声图像开展随机裁剪与数据增强处理,得到配对的声学分辨率图块以及光学分辨率图块,同时采用基于图像均值强度与方差的过滤策略,筛除成对无有效成像信息的图块;
21、基于数据集进行端到端网络训练,训练输入包括真值图块和下采样光学分辨率图块及结构先验;
22、所述真值图块为光学分辨率图块并作为真值标签;
23、所述下采样光学分辨率图块是光学分辨率图块下采样后,添加高斯噪声以模拟实际成像条件得到;
24、所述结构先验由声学分辨率图块下采样后,添加高斯噪声以模拟实际成像条件,然后进行步骤(3)得到。
25、进一步地,双尺度物理引导的极稀疏采样重建网络包括:
26、生成器网络,用于融合双尺度输入以重建高分辨率的光学分辨率光声图像;
27、判别器网络,用于与生成器网络联合训练以引导高分辨率输出图像逼近真值标签的血管形态与结构连续性。
28、进一步地,生成器网络包括:
29、浅层特征提取模块:将下采样的光学分辨率光声图像与锐化的血管结构先验图像分别通过独立的卷积层进行处理,提取各自的浅层特征,分别记为第一浅层特征与第二浅层特征;
30、自适应门控融合模块:将第一浅层特征与第二浅层特征在通道维度上进行拼接,随后通过卷积层和激活函数计算得到像素级权重门控图;利用像素级权重门控图作为空间注意力机制,动态确定第一浅层特征与第二浅层特征的最佳融合比例,输出融合特征图;
31、深层特征提取模块:将融合特征图输入至由注意力机制增强的残差密集块构成的级联链条中;其中,各所述残差密集块利用块内密集连接传播并保留多层级的判别特征,同时通过嵌入的注意力机制建立通道间的依赖关系并自适应重新校准特征响应,以突出高频结构细节并抑制背景噪声;
32、全局特征融合模块:将级联链条中所有残差密集的输出特征在通道维度进行拼接,依次通过多个卷积层后与所述融合特征图进行全局特征融合,获得增强特征图,以同时保留浅层结构先验与深层纹理细节;
33、上采样重建模块:采用亚像素卷积方案对增强特征图进行上采样重建,输出最终的高分辨率光声图像。
34、进一步地,所述判别器采用基于wasserstein生成对抗网络框架并结合梯度惩罚的策略进行优化。
35、本发明的一种计算机设备,包括存储器和处理器,所述存储器与处理器电性连接,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现所述的方法。
36、本发明的一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时,所述处理器实现所述的方法。
37、本发明与现有技术相比,具有如下优点和有益效果:
38、(1)本发明采用双尺度融合重建设计,从根本上克服了稀疏采样的物理极限。通过双尺度成像系统同步采集光学分辨率和声学分辨率信号,将具有较宽声学点扩散函数的声学分辨率模态作为内置的物理低通滤波器。该机制完整捕获了血管形态,从而获取了血管结构先验,有效解决了传统单尺度or-pam在稀疏采样下导致的不可逆空间信息丢失问题。
39、(2)本发明提出了一种物理驱动的双尺度物理引导网络重建方法,实现了高保真血管细节恢复。构建了双尺度超分辨生成对抗网络,将基于理论声学psf去模糊后的结构先验与稀疏的测量数据进行融合。网络通过引入自适应门控融合模块与注意力增强的残差密集块,能够动态平衡物理结构引导与高频纹理恢复,从而输出具有卓越细节保留能力的光学分辨率光声图像。
40、(3)本发明突破了极低采样率瓶颈,大幅提升了光声显微成像的整体效率与定量指标。在高达16×16(即仅保留0.4%原始像素)的极端稀疏采样率下,本发明依然能实现微血管结构的高保真重建。与现有代表性方法相比,其结构相似性指数(ssim)显著提升了18%,峰值信噪比(psnr)提高了10.5%,感知相似度(lpips)降低了33.6%。该方法打破了长期存在的速度-分辨率权衡瓶颈,为研究因成像速度受限而难以触及的快速生理与病理动态过程提供了可靠的解决方案。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com