本文關(guān)鍵詞：時(shí)間序列化磁感應(yīng)斷層成像算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：磁感應(yīng)斷層成像(Magnetic Induction Tomography,MIT)是一種利用渦流感應(yīng)原理,以人體某一斷層的電導(dǎo)率分布為成像目標(biāo)的新型成像技術(shù),具有無(wú)創(chuàng)、非接觸、功能成像、可單次檢測(cè)和連續(xù)監(jiān)測(cè)等特點(diǎn),是電阻抗斷層成像(Electrical Impedance Tomography,EIT)的重要分支。MIT重建算法是MIT技術(shù)中尤為重要的技術(shù)環(huán)節(jié)之一�，F(xiàn)有的MIT重建算法主要有反投影算法和牛頓迭代法等,使用這些算法可以實(shí)現(xiàn)對(duì)單幀測(cè)量數(shù)據(jù)的靜態(tài)成像或?qū)蓭瑴y(cè)量數(shù)據(jù)的差分成像,主要針對(duì)單次檢測(cè)。當(dāng)將MIT用于連續(xù)監(jiān)測(cè)時(shí),能獲得隨時(shí)間先后順序排列的多幀測(cè)量數(shù)據(jù)。此時(shí)如果直接應(yīng)用原有的MIT重建算法,則會(huì)忽視測(cè)量數(shù)據(jù)之間的關(guān)聯(lián)性,無(wú)法充分利用大量的測(cè)量數(shù)據(jù),從而無(wú)法獲得更好的成像結(jié)果。針對(duì)MIT用于連續(xù)監(jiān)測(cè)時(shí)的特點(diǎn),本文研究利用連續(xù)多幀測(cè)量數(shù)據(jù)進(jìn)行圖像重建的新型MIT重建算法。主要包括以下兩方面研究工作:(1)MIT線性卡爾曼濾波算法的研究基于經(jīng)典卡爾曼濾波算法(Kalman Filter Algorithm,KF)的原理,針對(duì)時(shí)間序列化測(cè)量數(shù)據(jù),推導(dǎo)了應(yīng)用于MIT的線性卡爾曼濾波算法(Linear Kalman Filter Algorithm,LKF),并編寫了C++實(shí)現(xiàn)代碼。LKF算法使用前d幀數(shù)據(jù)和當(dāng)前幀數(shù)據(jù),來(lái)重建當(dāng)前幀的電導(dǎo)率分布圖像。為了評(píng)估該算法的成像性能,在平面圓形域有限元三角剖分模型中,設(shè)置擾動(dòng)目標(biāo)電導(dǎo)率隨時(shí)間變化的一系列狀態(tài),分別計(jì)算mit正問(wèn)題以獲得仿真的測(cè)量數(shù)據(jù)。本文設(shè)置了在均勻電導(dǎo)率分布背景中電導(dǎo)率逐漸增大的單個(gè)、兩個(gè)和三個(gè)擾動(dòng)目標(biāo)仿真模型,然后使用lkf算法重建電導(dǎo)率分布圖像。分別使用重建尺寸誤差(reconstructeddimensionerror,rde)和重建位置誤差(reconstructedpositionerror,rpe)評(píng)價(jià)重建圖像質(zhì)量。結(jié)果表明:1)重建圖像中擾動(dòng)目標(biāo)的位置明顯趨向成像區(qū)域的邊緣,擾動(dòng)目標(biāo)的尺寸有所偏差,但擾動(dòng)目標(biāo)與背景電導(dǎo)率的比例相似;2)rde與1的差值偏大,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的尺寸有偏差;rpe也偏大,說(shuō)明重建圖像中擾動(dòng)目標(biāo)偏離模型中的位置;3)對(duì)于單個(gè)擾動(dòng)目標(biāo)的成像結(jié)果,繪制了仿真模型和重建圖像中擾動(dòng)目標(biāo)電導(dǎo)率均值隨時(shí)刻序列變化的曲線,兩條曲線的相關(guān)系數(shù)為0.2778,說(shuō)明兩者的變化趨勢(shì)一致,但存在較大的誤差。通過(guò)上述分析,lkf算法雖能進(jìn)行時(shí)間序列化成像,但性能較差,沒(méi)有達(dá)到預(yù)期中的效果。(2)mit時(shí)間序列化一步高斯牛頓算法的研究基于傳統(tǒng)一步高斯牛頓算法(one-stepgauss-newtonalgorithm,gn)的思想,針對(duì)時(shí)間序列化測(cè)量數(shù)據(jù),推導(dǎo)了適用于mit的時(shí)間序列化一步高斯牛頓算法(temporalone-stepgauss-newtonalgorithm,tgn)。tgn算法使用前d幀、當(dāng)前幀和后d幀的連續(xù)測(cè)量數(shù)據(jù),來(lái)重建當(dāng)前幀的電導(dǎo)率分布圖像。tgn算法中主要涉及三個(gè)參數(shù),分別是正則化參數(shù)、幀間相關(guān)性系數(shù)和使用的測(cè)量數(shù)據(jù)的幀數(shù)。為了選取一個(gè)合適的正則化參數(shù),設(shè)定tikhonov正則化方法中的參數(shù)分別為1e-002、1e-003、1e-004、1e-005、1e-006、1e-007和1e-008,然后對(duì)單個(gè)擾動(dòng)目標(biāo)仿真模型進(jìn)行圖像重建。結(jié)果表明:1)當(dāng)正則化參數(shù)為1e-007或更小時(shí),重建圖像完全發(fā)散;2)當(dāng)正則化參數(shù)為1e-004、1e-005或1e-006時(shí),重建圖像的rde值均為1,且rpe的值較小,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的位置準(zhǔn)確,尺寸相當(dāng)。但隨著正則化參數(shù)的減小,重建圖像中偽影程度增強(qiáng);3)當(dāng)正則化參數(shù)為1e-003或更大時(shí),rde與1的差值增大,且rpe的值增大,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的尺寸和位置有所偏差。比較之后,選擇1e-004作為以下仿真成像的正則化參數(shù)。為評(píng)估幀間相關(guān)性系數(shù)對(duì)重建結(jié)果的影響,設(shè)定幀間相關(guān)性系數(shù)分別為0.1、0.5和0.9,然后對(duì)單個(gè)擾動(dòng)目標(biāo)仿真模型進(jìn)行圖像重建。分別繪制了仿真模型和重建圖像中擾動(dòng)目標(biāo)電導(dǎo)率均值隨時(shí)刻序列變化的曲線。三組曲線的相關(guān)系數(shù)分別為0.2901、0.4983和0.9999。結(jié)果表明:隨著幀間相關(guān)性系數(shù)的增大,曲線的誤差減小,tgn算法追蹤電導(dǎo)率變化的能力增強(qiáng)。因此,在保證重建質(zhì)量的前提下,為減少計(jì)算量,設(shè)定相鄰兩幀數(shù)據(jù)之間的幀間相關(guān)性系數(shù)均為0.8。為了評(píng)估測(cè)量數(shù)據(jù)幀數(shù)對(duì)重建圖像的影響,以便確定一個(gè)效果好的合適的幀數(shù),分別使用3幀、5幀和7幀數(shù)據(jù),對(duì)單個(gè)擾動(dòng)目標(biāo)仿真模型進(jìn)行圖像重建。結(jié)果表明:1)重建圖像均具有較好的重建質(zhì)量,重建圖像中擾動(dòng)目標(biāo)位置準(zhǔn)確、尺寸相當(dāng),電導(dǎo)率相對(duì)于背景比例相似;2)重建圖像的rde值為1,rpe值較小,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的尺寸相當(dāng)、位置準(zhǔn)確。但隨著幀數(shù)的增加,重建一幅圖像所需的時(shí)間增長(zhǎng)。因此,在保證重建質(zhì)量的前提下,為縮短一次圖像重建的時(shí)間,以下仿真成像均使用3幀連續(xù)數(shù)據(jù)進(jìn)行圖像重建。為評(píng)價(jià)該算法的性能,本文分別設(shè)置了在均勻電導(dǎo)率分布背景中電導(dǎo)率等間隔增大的單個(gè)、兩個(gè)和三個(gè)擾動(dòng)目標(biāo)仿真模型,以及大尺寸擾動(dòng)目標(biāo)、擾動(dòng)目標(biāo)尺寸逐漸變化、擾動(dòng)目標(biāo)位置逐漸變化和擾動(dòng)目標(biāo)電導(dǎo)率非等間隔增大的仿真模型,分別計(jì)算不同仿真模型的mit正問(wèn)題以獲得仿真的測(cè)量數(shù)據(jù),然后使用tgn算法重建電導(dǎo)率分布圖像。對(duì)于單個(gè)、兩個(gè)、三個(gè)擾動(dòng)目標(biāo)仿真模型,重建圖像中擾動(dòng)目標(biāo)位置準(zhǔn)確、尺寸相當(dāng),電導(dǎo)率相對(duì)于背景比例相似。重建圖像的rpe較小,rde為1,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的位置準(zhǔn)確、尺寸相當(dāng)。對(duì)于大尺寸擾動(dòng)目標(biāo)仿真模型、擾動(dòng)目標(biāo)尺寸逐漸變化的仿真模型和擾動(dòng)目標(biāo)位置逐漸變化的仿真模型,重建圖像中擾動(dòng)目標(biāo)的尺寸有所偏差,重建偽影增強(qiáng)。重建圖像的rde與1的差值偏大,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的尺寸有所偏差;rpe較小,說(shuō)明重建圖像中擾動(dòng)目標(biāo)的位置準(zhǔn)確。為了評(píng)價(jià)tgn算法反映電導(dǎo)率分布狀態(tài)隨時(shí)刻序列變化的能力,對(duì)擾動(dòng)目標(biāo)電導(dǎo)率等間隔增大和非等間隔增大的仿真模型進(jìn)行了圖像重建,分別繪制了仿真模型和重建圖像中擾動(dòng)目標(biāo)電導(dǎo)率均值隨時(shí)刻序列變化的曲線,結(jié)果表明:兩組曲線幾乎完全重合,相關(guān)系數(shù)都為0.9999,說(shuō)明該算法能夠正確的反映出電導(dǎo)率分布狀態(tài)的連續(xù)變化。為了評(píng)價(jià)該算法的抗噪性能,分別設(shè)定Tikhonov正則化方法中的參數(shù)為1e-002、1e-003和1e-004,對(duì)單個(gè)擾動(dòng)目標(biāo)仿真模型的仿真數(shù)據(jù)添加了噪聲水平為0.01%、0.02%、0.05%、0.1%、0.2%、0.5%、1%、10%、20%和30%的高斯白噪聲,然后使用TGN算法對(duì)仿真數(shù)據(jù)進(jìn)行圖像重建。結(jié)果表明:1)固定正則化參數(shù)時(shí),隨著噪聲水平的增加,重建圖像中擾動(dòng)目標(biāo)的尺寸逐漸增大,位置偏移,直到重建圖像發(fā)散;2)隨著正則化參數(shù)的增大,重建圖像惡化或發(fā)散所對(duì)應(yīng)的噪聲水平也逐漸升高,說(shuō)明合理選擇正則化參數(shù)可改善該算法的抗噪性能。通過(guò)上述分析,說(shuō)明TGN算法具有良好的性能,是一種適用于連續(xù)監(jiān)測(cè)的MIT重建算法。綜上所述,本文對(duì)使用連續(xù)多幀測(cè)量數(shù)據(jù)進(jìn)行圖像重建的時(shí)間序列化MIT重建算法展開了研究工作,推導(dǎo)了適用于MIT的兩種時(shí)間序列化重建算法,進(jìn)行了仿真成像,并評(píng)估了各自的性能。其中LKF算法性能較差,而TGN算法則性能良好。本研究為進(jìn)一步深入研究時(shí)間序列化的MIT重建算法奠定了良好基礎(chǔ),為連續(xù)監(jiān)測(cè)時(shí)使用的MIT重建算法提供了新的選擇。
【關(guān)鍵詞】：磁感應(yīng)斷層成像 重建算法 時(shí)間序列化 有限元方法 連續(xù)監(jiān)測(cè)
【學(xué)位授予單位】：第四軍醫(yī)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：R445.2;TP391.41
【目錄】：

• 縮略語(yǔ)表6-7
• 中文摘要7-11
• 英文摘要11-16
• 前言16-18
• 文獻(xiàn)回顧18-31
• 1 MIT技術(shù)概述18-22
• 1.1 MIT技術(shù)原理18-19
• 1.2 MIT研究?jī)?nèi)容19-22
• 1.2.1 MIT正問(wèn)題20-21
• 1.2.2 MIT逆問(wèn)題21-22
• 2 MIT研究現(xiàn)狀22-27
• 2.1 MIT硬件系統(tǒng)22-24
• 2.2 MIT正問(wèn)題24-25
• 2.3 MIT重建算法25-27
• 2.3.1 反投影算法25-26
• 2.3.2 牛頓迭代法26-27
• 2.3.3 其他算法27
• 3 EIT中時(shí)間序列化重建算法27-29
• 3.1 卡爾曼濾波算法28-29
• 3.2 時(shí)間序列化一步高斯牛頓算法29
• 3.3 粒子濾波算法29
• 4 小結(jié)29-31
• 第一部分 MIT線性卡爾曼濾波算法31-43
• 1 LKF算法原理31-34
• 2 LKF算法參數(shù)分析34-35
• 2.1 系統(tǒng)噪聲協(xié)方差矩陣34-35
• 2.2 狀態(tài)轉(zhuǎn)移矩陣35
• 3 LKF算法仿真成像35-41
• 3.1 仿真成像方法35-36
• 3.2 重建圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)36-37
• 3.2.1 重建位置誤差36-37
• 3.2.2 重建尺寸誤差37
• 3.3 單個(gè)擾動(dòng)目標(biāo)仿真成像37-38
• 3.4 兩個(gè)擾動(dòng)目標(biāo)仿真成像38-39
• 3.5 三個(gè)擾動(dòng)目標(biāo)仿真成像39-40
• 3.6 追蹤擾動(dòng)目標(biāo)電導(dǎo)率的仿真成像40-41
• 4 LKF算法小結(jié)41-43
• 第二部分 MIT時(shí)間序列化一步高斯牛頓算法43-68
• 1 TGN算法原理43-46
• 2 TGN算法參數(shù)分析46-48
• 2.1 正則化參數(shù)46
• 2.2 幀間相關(guān)性系數(shù)46-48
• 3 TGN算法仿真成像48-66
• 3.1 TGN算法參數(shù)對(duì)重建結(jié)果的影響48-53
• 3.1.1 正則化參數(shù)對(duì)重建結(jié)果的影響48-50
• 3.1.2 幀間相關(guān)性系數(shù)對(duì)重建結(jié)果的影響50-51
• 3.1.3 測(cè)量數(shù)據(jù)幀數(shù)對(duì)重建結(jié)果的影響51-53
• 3.2 仿真成像53-66
• 3.2.1 擾動(dòng)目標(biāo)電導(dǎo)率逐漸增大的仿真成像54-58
• 3.2.2 擾動(dòng)目標(biāo)尺寸逐漸擴(kuò)大的仿真成像58-59
• 3.2.3 擾動(dòng)目標(biāo)位置逐漸移動(dòng)的仿真成像59-61
• 3.2.4 大尺寸擾動(dòng)目標(biāo)的仿真成像61-62
• 3.2.5 追蹤擾動(dòng)目標(biāo)電導(dǎo)率的仿真成像62-64
• 3.2.6 抗噪性能仿真成像64-66
• 4 TGN算法小結(jié)66-68
• 總結(jié)與展望68-70
• 參考文獻(xiàn)70-79
• 個(gè)人簡(jiǎn)歷和研究成果79-80
• 致謝80

【相似文獻(xiàn)】

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 楊小偉;姚秋林;程學(xué)旗;;分布式入侵檢測(cè)系統(tǒng)的配置分發(fā)策略研究[A];第三屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

2 丁靈;黃宇凱;王曉玲;胡大斌;周傲英;;基于序列化方法實(shí)現(xiàn)有效的無(wú)序XML查詢[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

3 許暉;;應(yīng)用XML實(shí)現(xiàn)Java對(duì)象序列化技術(shù)簡(jiǎn)述[A];Java技術(shù)及應(yīng)用的進(jìn)展——第七屆中國(guó)Java技術(shù)及應(yīng)用交流大會(huì)文集[C];2004年

4 劉樂(lè);馮建華;;SCALER+:基于序列匹配的高效XML分支查詢求解算法[A];第二十三屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前2條

1 賀玲麗;平遙全力構(gòu)建中小學(xué)德育序列化體系[N];晉中日?qǐng)?bào);2011年

2 本報(bào)記者 李炳亭　特約記者 洪湖;派尼學(xué)校的“讀寫序列化”[N];中國(guó)教師報(bào);2009年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 周健;正電子發(fā)射斷層的圖像重建方法研究[D];東南大學(xué);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王靜花;初中作文序列化訓(xùn)練策略研究[D];蘇州大學(xué);2015年

2 曹洲;基于數(shù)據(jù)序列化與字符串壓縮的移動(dòng)數(shù)據(jù)傳輸優(yōu)化方案研究與實(shí)現(xiàn)[D];中國(guó)海洋大學(xué);2015年

3 王宏;高中議論文序列化教學(xué)實(shí)施策略探究[D];遼寧師范大學(xué);2015年

4 朱麗英;基于Node-Webkit平臺(tái)的JavaScript工具集研究與實(shí)現(xiàn)[D];電子科技大學(xué);2016年

5 張曉;基于序列數(shù)據(jù)獲取的改進(jìn)極限學(xué)習(xí)機(jī)算法研究[D];湘潭大學(xué);2016年

6 劉潤(rùn)生;時(shí)間序列化磁感應(yīng)斷層成像算法研究[D];第四軍醫(yī)大學(xué);2016年

7 史毅;學(xué)習(xí)對(duì)象的序列化策略研究[D];華中科技大學(xué);2005年

8 李衛(wèi)英;初中課外文言文序列化學(xué)習(xí)的實(shí)踐研究[D];上海師范大學(xué);2013年

9 仇瑾;高中語(yǔ)文寫作序列化教學(xué)實(shí)踐設(shè)計(jì)[D];上海師范大學(xué);2014年

10 黃宇凱;基于序列化的高效XML查詢算法[D];復(fù)旦大學(xué);2008年

  本文關(guān)鍵詞：時(shí)間序列化磁感應(yīng)斷層成像算法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：281494