You are on page 1of 7

基于角度图像离散化的光声模型重建

光声层析成像技术最近在小动物成像和初始临床实验中表现出了强大的性能,可以提供
高空间分辨率,通用性和动态成像能力。 然而,当前的光声图像重建方法通常基于不准确
的正演模拟方法或者需要高计算成本,这施加了某些实际限制并且妨碍了图像量化。在此,
我们介绍了一种加速光声重构的新方法,该方法基于前向模式解决方案,该方法特别适用于
具有随机分辨率和空间相关分辨率的精确图像重建,而在不影响计算速度的情况下,也很容
易解释声音变化的小速度。 进一步预期新方法将极大地促进高性能 3-D 光声重建方法的开

光声层析成像正在成为一种强大的无创生物医学成像模式,能够在散射组织中呈现高分
辨率的光子吸收图。 在光声学中,由吸收脉冲光引起的热膨胀充当超声波源。 在样品外部
的不同位置测量产生的压力波,并用于重建初始压力,该初始压力与吸收的光的能量密度成
比例。
到目前为止,已经报道了几种用于光声图像重建的算法。其中,通常采用反投影算法,
因为它们简单且易于实现。封闭形式的分析反投影反演公式存在于时域和频域的几种检测几
何,适合于在短时间内获得 2-D 或 3-D 图像。然而,使用反投影算法重建的图像呈现量化
不准确性,使得它们不适合于定量功能或分子成像应用,其中人们正在寻求光学报告剂的准
确分布。具体而言,在二维几何中执行反投影重建时会产生负值[8]。通过使用圆柱聚焦换能
器获得的实验结果还表明,使用反投影不能正确地检索图像的低频分量。此外,由于测量点
的数量有限,在重建中出现条纹型伪影。
执行光声重建的不同方法包括测量的声信号与由某个光声前向模型预测的理论信号之
间的误差的数值最小化。在这种基于模型的方案中,必须选择方便的模型,其考虑了准确性
和计算时间之间的折衷。最近,一种快速准确的基于半解析模型的反演方案,即内插模型矩
阵反演(IMMI)
,已被引入光声重建[8]。它基于在一组位置和时刻测量的压力与理论预测的
压力分布之间的均方差的最小化,该压力分布是根据重建图像中的吸收能量分布计算的。因
此,理论压力表示为模型矩阵(其是光声设置的特征)与对应于图像像素位置处的吸收能量
的列向量的乘积。因此,通过反转模型矩阵来进行图像重建,该模型矩阵原则上可以通过利
用其稀疏性在相对短的时间内完成。模型矩阵的计算是另一方面相对较低的过程,因为它涉
及对给定类型的插值的解析解的广泛计算。基于模型的光声重建包括两个步骤,即,计算模
型矩阵和反转。原则上,一旦计算模型矩阵,重建时间由反演过程确定。然而,在一般情况
下,必须进行矩阵的计算及其反演以执行重建。例如,必须针对给定的光声设置校准声速和
换能器位置,以便必须为这些参数的每个值计算不同的模型矩阵。即使系统被校准,声速的
变化(例如,由于温度变化)或换能器位置的变化也会导致模型矩阵不再有效。 因此,重
要的是开发模型矩阵的快速计算方法以实现快速重建。
另一个重要的观察实际声学成像场景是在成像对象中存在声学异质性。为此,大多数重
建算法都是通过声纳均匀的千分之一衰减介质来推导出来的。然而,声音和质量密度的速度
实际上可能不同于生物学上的组合,并且可能发生声波的衰减。因此,重建算法必须进行调
整,以避免与声学散射器反射,信号时移,声学衰减相关的影响。在几乎生物组织中,声音
变化的速度在 10%的范围内被限制在水的声音中[24]。对于这种小变化,压力波的传播可以
被建模为直的声学射线,其方式是空间依赖性的唯一影响是声音时间 - 移动到声学信号。
因此,需要修改计算压力积分的积分曲线。尽管 IMMI 算法通常可以适应这种情况,但是对
于插值的分析计算的计算变得非常麻烦和缓慢。
在这项工作中,我们提出了一种新方法,用于基于正演模型的方便离散化来计算基于模
型的算法的模型矩阵。 通过这种方法,计算模型矩阵所需的时间显着减少,而不会降低模
型的准确性。 此外,可以使用几种类型的插值而基本上不增加模型的复杂性。 特别地,这
里我们展示了直角三角形和双线性插值之间的比较。测量结果可以很容易地适应于在介质中
声音分布速度的基础知识。 最后,我们讨论了在这项工作中提出的离散化程序的潜在适用
性。对于体积光声重建,我们特别重视计算模型矩阵无量纲几何几何的可能性。

在光声成像中,光源通常是短纳秒持续时间的激光脉冲,其满足热传导条件,即,可以
忽略热传导。 这样,局部热膨胀不受相邻区域的影响。 在这些情况下,时间光源照射源可
以接近狄拉克三角函数δ(𝑡),并且由均匀声学介质中产生的超声波引起的压力由下式给出:

其中 c 是介质中声速,Г是无量纲 Grueneisen 参数,H(𝑟) = 𝑢𝑎 (𝑟)𝑈(𝑟)是每单位体积


组织吸收的能量,𝑢𝑎 (𝑟)光学吸收系数和𝑈(𝑟)为光线影响。相当于,考虑到齐次方程(1)可
以通过初值问题计算:

初始条件为:

(2)和(3)中的初值问题的解析解由泊松型积分给出:

其中𝑆 ′ (𝑡)是时间相关的球面,其中|𝑟 − 𝑟 ′ | = 𝑐𝑡。(4)中导数之外的常数项可以忽略,


只需要在任何单位压力下获得时间。 此外,当声源位于平面中时,对此|𝑟 − 𝑟 ′ | = 𝑐𝑡 (4)
可以缩小为 2-D 几何形状,从而在圆周𝐿′ (𝑡)上进行积分。 在这种情况下,任意单位的压力
由下式给出:

上述近似值需要注明。 一般来说,光学资源不是在平面上进行的。实践中,声源的位
置取决于用于收集光声信号的换能器的光线分布和灵敏度场。 因此,在许多实际情况中,
检测几何形状可以有效地减少到两个维度。 例如,当通过用一张光照射非散射物体或用圆
柱形聚焦超声换能器检测响应来诱导光声信号时。
另一方面,声速恒定的假设可能是准确的。特别是,相对于水中声音的速度,声音的生
物组织的速度可能偏离高达 10%,如果在重建算法中不考虑这种效果,则可能导致图像失
真。 对于大约 10%的声音变化速度,主要的失真时间偏移到声学信号,这可以通过计算𝑟 ′
和r之间的飞行时间𝑡𝑓 (𝑟 ′ , 𝑟)作为两点之间的线积分来描述。即:
其中𝑟 ′′ 对应于沿直线𝐿′ (𝑟 ′ , 𝑟)的点的位置。考虑到信号的时移,
(5)可以通过

其中𝐿′ (𝑡𝑓 (𝑟 ′ , 𝑟))是曲线,用于验证其任何点与(6)中定义的换能器位置之间的飞行时

间等于 t,即,假设声波前没有弯曲 波传播并且超声波的传播可以被建模为直的声线。 然


后,相对于均匀声速的情况,修改执行积分的曲线。

模型 - 矩阵反演
在[8]中,引入了一种称为 IMMI 的重建算法,该算法基于最小化位置和时间点的压力测
量数据集之间的均方差以及相应的经过计算的压力,后者通过基于模型估计。 在(5)上,
作为在与感兴趣区域(ROI)中的像素的位置对应的点网格处吸收的能量的函数。 特别地,
通过用直角三角形平铺 x-y 重建平面并在每个三角形的边上执行线性插值来估计任何点处
的吸收能量。因此,所得到的连续函数 H 是分段平面的,因此(5)的解析解可以是 考虑
这个插值函数计算。 尽管也可以获得用于通过不同类型的插值获得的连续函数 H 的(5)
的解析解,但是该模型可能变得非常麻烦并且其计算实现具有挑战性。
在[8]中,提出了一种基于最小均方误差的压力测量重构算法,称为 IMMI。后者是由一
个基于(5)的模型估计的,该模型是一个能量吸收的函数,在网格点对应于感兴趣区域(ROI)
像素的位置。特别地,吸收的能量在任何一点上是估计平铺重建平面与直角三角形和执行线
性插值在每个三角形。因此,该连续函数是分段平面的,因此可以考虑该插值函数计算(5)的
解析解。虽然(5)的解析解也得到了一个连续函数与不同类型的插值运河,但该模型可能成
为相等的数目,其计算实现具有挑战性。
在这项工作中,基于方便的(5)离散化,提出了一种不同的方法。 在第一步中,使用
了时间导数的数值近似,因此(5)是近似的

(8)

(9)
(9)的离散化是通过用一组 M 个点来近似曲线𝐿′ (𝑡)来进行的,这些 M 个点的位置是
通过考虑换能器位置的直线和通过空间的正方形来确定的(图 1) 。 这组直线覆盖了源自换
′ (𝑡)的一组区段覆盖了插值后H(𝑟)
能器位置的角度α,使得离散化曲线𝐿 ≠ 0的整个 2-D 空
间(即,空心圆内的区域) 图 1,其中实心圆圈表示 ROI 中像素的位置。 因此,对于圆形
扫描几何结构,其中从换能器到 ROI 的中心的距离 R 无论换能器的角度位置如何都是相同
的,使得上述条件被验证用于任何时刻和任意位置传感器。 计算方法如下
其中 n 是水平和垂直方向上 ROI 的像素数,∆xy是像素大小。 通过考虑常数α而不是计
算每个时刻和换能器位置的曲线与 ROI 的交点,算法的实现变得更容易。

图 1.正向模型的离散化。 曲线𝐿′ (𝑡)由 M 个点近似,表示为三角形,覆盖整个区域,


插值后的H(𝑟 ′ ) ≠ 0.

然后从曲线𝐿′ (𝑡)的 M 个离散点计算积分I(𝑡),其中位置𝑟𝑙′ (图 1 中的三角形)为

或者,等效地

𝑑0,1 = 𝑑𝑀,𝑀+1 = 0。 通过对 ROI 中像素的位置的H(𝑟 ′ )值进行插值来估计H(𝑟𝑙′ )的值。


然后,通过组合(8)和(12) ,在𝑟𝑖 处测量的瞬时𝑡𝑗 的压力p(𝑟𝑖 , 𝑡𝑗 )可以表示为 ROI 中像素的

位置𝑟𝑘 处的每单位体积的吸收能量的线性组合,即,

𝑖𝑗
其中N = nn是 ROI 的总像素数。 系数𝑎𝑘 的值取决于所采用的插值。 这里建议方法的
一个重要优点是它可以很容易地用不同类型的插值实现。在这项工作中,我们考虑了两种不
同的类型,即[8]中描述的直角三角形内的线性插值和双线性插值。 在两种情况下,给定点
𝑟 ′ = (𝑥 ′ , 𝑦 ′ )处的H(𝑟 ′ )值作为如图 2 所示的四个相邻像素处的H(𝑟 ′ )值的函数给出。

图 2.离散曲线的点处的光吸收与栅格的四个相邻点处的光吸收的插值。

然后,当考虑直角三角形内的线性插值时,H(𝑟 ′ )由下式给出

(1 − ∆𝑥𝑎′ )𝐻𝑎 + ∆𝑦𝑎′ 𝐻𝑑 + (∆𝑥𝑎′ − ∆𝑦𝑎′ )𝐻𝑏 ∆𝑥𝑎′ ≥ ∆𝑦𝑎′


𝐻(𝑥 ′ , 𝑦 ′ ) = {
(1 − ∆𝑦𝑎′ )𝐻𝑎 + ∆𝑥𝑎′ 𝐻𝑑 + (∆𝑦𝑎′ − ∆𝑥𝑎′ )𝐻𝑐 ∆𝑥𝑎′ < ∆𝑦𝑎′
∆𝑥𝑎′ = (𝑥 ′ − 𝑥𝑎′ )/∆𝑥𝑦 , ∆𝑦𝑎′ = (𝑦 ′ − 𝑦𝑎′ )/∆𝑥𝑦,𝐻𝑘 = ((𝑥𝑘′ , 𝑦𝑘′ )),使用双线性插值时,
H 由下式给出
H(𝑟 ′ ) = (1 − ∆𝑥𝑎′ )(1 − ∆𝑦𝑎′ )𝐻𝑎 + ∆𝑥𝑎′ (1 − ∆𝑦𝑎′ )𝐻𝑏 + (1 − ∆𝑥𝑎′ )∆𝑦𝑎′ 𝐻𝑐 + ∆𝑥𝑎′ ∆𝑦𝑎′ 𝐻𝑑

图 3.具有不均匀声速的媒体中的前向模型的离散化。 通过考虑声速的倒数的线积分

来获得曲线𝐿′ (𝑡𝑓 (𝑟 ′ , 𝑟))的 M 点的集合(用三角形表示)。


在该工作中引入的离散化的另一个重要优点是,通过计算修改曲线𝐿′ (𝑡𝑓 (𝑟 ′ , 𝑟))的一组

点,可以容易地适应介质中声音分布速度的先验知识的情况。 为此,考虑相同的一组直线,
而对于区域内的每条线,以声速变化的速度定义由距离 ∆l 分开的一组等间隔点。 对于圆
形扫描几何,我们假设这个区域被限制在覆盖H(𝑟) ≠ 0区域的圆内,如图 3 所示。然后定义
一组等间距点覆盖该区域(图 3 中的空心圆) 。这些点的飞行时间是通过将(6)中的积分
的梯形近似应用为

𝑟𝑚 (𝑚 = 1,2,···, 𝐾)是沿着波传播路径的 K 点的位置。 随后,通过用(16)计算的飞行


时间的值进行线性插值,获得给定时间和给定直线的曲线点的位置。 一旦获得了(12)中
𝑖𝑗
的积分定义的曲线的一组点,获得(13)中的系数𝑎𝑘 的过程与上述相同。
然后可以计算换能器的 P 位置和 I 时刻的(13)中定义的理论压力p(𝑟𝑖 , 𝑡𝑗 ),从而可以
制定线性方程组,其以矩阵形式表示为
p = AH
等式(17)允许根据 ROI 中像素位置处的吸收能量计算一组瞬间和一组换能器位置的
理论压力 p。 A 是模型矩阵,其仅取决于光声设置的几何形状和介质中的声速,而 H 是以
矢量形式表示的重建图像。 然后,通过最小化理论压力和测量压力𝑝𝑚 之间的均方差来执行
光声重建,即,
𝐻𝑠𝑜𝑙 = arg min ||𝑝𝑚 − 𝐴𝐻||2

在[8]中,已经示出了通过 LSQR 算法计算(18)的解的便利性,其中利用模型矩阵的


稀疏性来获得快速重建。 原则上,如果投影的数量足够高,则可以利用(18) (无正则化)
进行全景采集(即,沿着成像样本的 360 采集信号)进行重建。 如果采用有限视图断层摄
影设置,则可以方便地规范反演过程。 在这种情况下,通过最小化来执行重建

𝐻𝑠𝑜𝑙 = arg min ||𝑝𝑚 − 𝐴𝐻||2+λ2 ||𝐿𝐻||2

在我们的例子中,我们考虑(19)中的矩阵 L 对应于图像的高通空间滤波。 具体地,


矩阵 L 乘以图像矢量 H 对应于将核应用于图像中的每个像素及其邻居。 内核𝐾𝐿 定义为

材料和方法
已经进行了数值模拟和实验测量以评估所提出的重建算法的性能。
通过数值模拟验证了正演模型的有效性,并对反演过程中得到的图像进行了定量分析。
首先,我们考虑了一个点源,并计算了模型预测的信号,这些信号位于相对于资源位置的相
关位置。 以这种方式,可以估计信号中的误差作为用于曲线(12)的离散化的点数 M 的函
数。 在第二步中,从对应于不同尺寸的结构的已知光学吸收分布数值计算的光声信号被用
作反演算法的输入,使得理论和重建图像也可以作为 M.性能的函数进行比较。 比较了两种
类型的插值。
为了验证数值结果,在小鼠尸检时进行实验 - 模拟假象和死亡。 在第一阶段,我们使
用琼脂模型,相对于水的声音差异可以忽略不计。 通过这种方式,我们将假设均匀声速的
声音重建作为 M 的函数进行比较,从而分析模型精度与计算时间之间的权衡。 随后,为了
验证对于发声的异质性情况的反演过程,测试了具有甘油内含物的更复杂的模型,与水相比
具有高 10%的声速。 最后,使用 27 日龄的小鼠死后进行成像实验,并且当使用成像体积
中的均匀以及不均匀的声音分布速度的假设时,比较重建结果。
在这项工作中,我们提出了一种基于快速定量模型的光声层析成像重建方案。它基于泊
松型积分的方便离散化,其描述了由于脉冲式光学照射的声波波激发引起的理论压力变化。
因此,在给定点处和给定时刻测量的压力可以表示为对应于重建感兴趣区域的网格点处的吸
收光能的基本组合。通过这种方式,可以通过考虑一组点和一组时刻来建立离散化的线性方
程组,在各个网格点处,矢量形式的压力可以表示为模型矩阵与对应于吸收能量的矢量的乘
积。。随后,通过最小化理论压力和测量压力之间的均方差来执行光声重建,同时利用模型
矩阵的稀缺性来加速高分辨率反转。
这里,泊松型积分通过用一组点近似积分曲线来离散化,这组点对应于源自检测点的等
间距角位置。数值模拟和实验结果都证实,通过将积分曲线与相对较少的点进行离散化可以
获得精确的重建,这导致模型矩阵的快速计算。因此,相对于半分析方法(IMMI),模型矩
阵的计算时间减少了一个数量级,而没有降低模型的准确性。这很重要,因为重建过程通常
包括两个步骤,即模型矩阵的计算和反演。由于模型矩阵取决于实验的几个几何和物理参数,
例如声速和超声波探测器的精确位置,因此必须通过实验校准这些参数,并且必须为每个值
计算不同的模型矩阵。
在这项工作中呈现的角度离散化方法的另一个显着优点是它可以应用于任何类型的网
格,而不仅仅是常规的二维笛卡尔网格。 这对于具有空间相关分辨率的配置可能很重要,
因此可以相应地调整网格。 更重要的是,这种离散化也可以在双向网格中使用,基于相似
模型的方法可以用于体积光声重建。
还已经表明,可以使用几种类型的插值而基本上不增加模型的复杂性。在这项工作中,
测试了两种类型的插值,即直角三角形内的线性插值和双线性插值,它们表现出相似的性能。
未来的工作将致力于探索更高阶的插值方法,这可能导致更精确的重建,在这种情况下曲线
的离散化是用少量的点完成的。如果模型以三维几何形状实现,其中球形表面必须离散化,
这可以起作用,从而通过减少点数可以进一步显着减少计算时间。
通过实验进一步证明了开发的重建方法如何能够适应生物组织中声速变化的小速度,而
不会显着增加计算时间。 图像中的失真导致声音失真,因为声音失去了分辨率。这可以解
决声音中声音产生的声音被包含在模型中。 重要的是要考虑到,可以通过考虑在声音和声
音速度之间的声音中的声音的相应的速度来实现均匀介质模型的图像中的更好分辨率。由于
假设声速均匀的分辨率将在未来的工作中得到解决。
总之,预计新方法将极大地促进高性能声学成像方法在空间分辨率,定量性能和三维成
像能力方面的发展。