论文部分内容阅读
微波热致超声成像(Microwave-induced Thermal Acoustic Tomography,MITAT)是一种用于乳腺癌检测的新技术。该方法结合了微波成像(Microwave Imaging,MI)高对比度和超声成像(Ultrasonic Imaging,UI)高分辨率的优势,在早期乳腺癌检测中展现出良好的应用前景。微波热致超声(Microwave-induced Termal Acoustic,MITA)信号一般情况下是块稀疏信号,除了信号的稀疏性外,还具有聚类结构特性,充分利用这种结构特性有利于建立更加精确的信号模型,进而提高算法的重构精度。乳腺肿瘤是由重构出的图像来分辨的,而图像的成像质量与成像算法息息相关。因此研究基于聚类结构先验的MITAT算法对乳腺癌的早期检测具有重要意义。本文主要研究乳腺癌检测中基于聚类结构先验的MITAT算法。主要研究内容如下:1.将压缩感知(Compressive Sensing,CS)技术应用到MITAT中,从而减少数据获取时间。具体采用梯度映射稀疏重建(Gradient Projection for Sparse Reconstruction,GPSR),贝叶斯压缩感知(Bayesian Compressive Sensing,BCS)和全变分压缩感知(Total-variation Compressive Sensing,TVCS)方法来重建肿瘤图像。仿真结果表明,相比于其他两种方法,TVCS方法可以更加准确地恢复出块状肿瘤信息。并在同等条件下对比MI和MITAT重构图像,证实了MITAT比MI具有更高的分辨率。2.提出基于贝叶斯推理的MITAT算法。该算法考虑MITA信号的聚类稀疏特性,即非零系数可能堆积成块状。在贝叶斯框架内分别对MITA信号的稀疏性和聚类先验进行建模,分别采用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo,MCMC)采样方法和变分贝叶斯(Variational Bayesian,VB)方法实施贝叶斯推理,得到两种非参数算法来恢复肿瘤的原始图像。实验结果表明,相比于MCMC采样,基于VB推理的算法可以用更短的运行时间实现更精确地图像重构。3.提出融合广义近似消息传递(Generalized Approximate Message Passing,GAMP)和VB的MITAT算法。该算法没有依赖样本空间的稀疏性假设,而是利用分层截断高斯混合(Truncated Gaussian Mixture,TGM)先验模型和聚类先验模型分别对MITA信号的非负二类性和聚类结构特性进行建模。为了提高算法的重构效率,进一步将GAMP算法嵌入到VB框架中,开发出一种称为Clu SS-GAMP-VB的方法来实现信号的快速恢复。仿真结果显示,提出的算法不仅进一步提高了VB算法的重构精度和鲁棒性,而且极大缩短了运行时间,提高了算法的重构效率。