發(fā)布時間：2017-04-01 23:18

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

【摘要】：磁感應斷層成像(Magnetic Induction Tomography,MIT)是一種利用渦流感應原理,以人體某一斷層的電導率分布為成像目標的新型成像技術,具有無創(chuàng)、非接觸、功能成像、可單次檢測和連續(xù)監(jiān)測等特點,是電阻抗斷層成像(Electrical Impedance Tomography,EIT)的重要分支。MIT重建算法是MIT技術中尤為重要的技術環(huán)節(jié)之一。現(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現(xiàn)對單幀測量數(shù)據(jù)的靜態(tài)成像或對兩幀測量數(shù)據(jù)的差分成像,主要針對單次檢測。當將MIT用于連續(xù)監(jiān)測時,能獲得隨時間先后順序排列的多幀測量數(shù)據(jù)。此時如果直接應用原有的MIT重建算法,則會忽視測量數(shù)據(jù)之間的關聯(lián)性,無法充分利用大量的測量數(shù)據(jù),從而無法獲得更好的成像結果。針對MIT用于連續(xù)監(jiān)測時的特點,本文研究利用連續(xù)多幀測量數(shù)據(jù)進行圖像重建的新型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,針對時間序列化測量數(shù)據(jù),推導了應用于MIT的線性卡爾曼濾波算法(Linear Kalman Filter Algorithm,LKF),并編寫了C++實現(xiàn)代碼。LKF算法使用前d幀數(shù)據(jù)和當前幀數(shù)據(jù),來重建當前幀的電導率分布圖像。為了評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,設置擾動目標電導率隨時間變化的一系列狀態(tài),分別計算mit正問題以獲得仿真的測量數(shù)據(jù)。本文設置了在均勻電導率分布背景中電導率逐漸增大的單個、兩個和三個擾動目標仿真模型,然后使用lkf算法重建電導率分布圖像。分別使用重建尺寸誤差(reconstructeddimensionerror,rde)和重建位置誤差(reconstructedpositionerror,rpe)評價重建圖像質量。結果表明:1)重建圖像中擾動目標的位置明顯趨向成像區(qū)域的邊緣,擾動目標的尺寸有所偏差,但擾動目標與背景電導率的比例相似;2)rde與1的差值偏大,說明重建圖像中擾動目標的尺寸有偏差;rpe也偏大,說明重建圖像中擾動目標偏離模型中的位置;3)對于單個擾動目標的成像結果,繪制了仿真模型和重建圖像中擾動目標電導率均值隨時刻序列變化的曲線,兩條曲線的相關系數(shù)為0.2778,說明兩者的變化趨勢一致,但存在較大的誤差。通過上述分析,lkf算法雖能進行時間序列化成像,但性能較差,沒有達到預期中的效果。(2)mit時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,針對時間序列化測量數(shù)據(jù),推導了適用于mit的時間序列化一步高斯牛頓算法(temporalone-stepgauss-newtonalgorithm,tgn)。tgn算法使用前d幀、當前幀和后d幀的連續(xù)測量數(shù)據(jù),來重建當前幀的電導率分布圖像。tgn算法中主要涉及三個參數(shù),分別是正則化參數(shù)、幀間相關性系數(shù)和使用的測量數(shù)據(jù)的幀數(shù)。為了選取一個合適的正則化參數(shù),設定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,然后對單個擾動目標仿真模型進行圖像重建。結果表明:1)當正則化參數(shù)為1e-007或更小時,重建圖像完全發(fā)散;2)當正則化參數(shù)為1e-004、1e-005或1e-006時,重建圖像的rde值均為1,且rpe的值較小,說明重建圖像中擾動目標的位置準確,尺寸相當。但隨著正則化參數(shù)的減小,重建圖像中偽影程度增強;3)當正則化參數(shù)為1e-003或更大時,rde與1的差值增大,且rpe的值增大,說明重建圖像中擾動目標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)。為評估幀間相關性系數(shù)對重建結果的影響,設定幀間相關性系數(shù)分別為0.1、0.5和0.9,然后對單個擾動目標仿真模型進行圖像重建。分別繪制了仿真模型和重建圖像中擾動目標電導率均值隨時刻序列變化的曲線。三組曲線的相關系數(shù)分別為0.2901、0.4983和0.9999。結果表明:隨著幀間相關性系數(shù)的增大,曲線的誤差減小,tgn算法追蹤電導率變化的能力增強。因此,在保證重建質量的前提下,為減少計算量,設定相鄰兩幀數(shù)據(jù)之間的幀間相關性系數(shù)均為0.8。為了評估測量數(shù)據(jù)幀數(shù)對重建圖像的影響,以便確定一個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),對單個擾動目標仿真模型進行圖像重建。結果表明:1)重建圖像均具有較好的重建質量,重建圖像中擾動目標位置準確、尺寸相當,電導率相對于背景比例相似;2)重建圖像的rde值為1,rpe值較小,說明重建圖像中擾動目標的尺寸相當、位置準確。但隨著幀數(shù)的增加,重建一幅圖像所需的時間增長。因此,在保證重建質量的前提下,為縮短一次圖像重建的時間,以下仿真成像均使用3幀連續(xù)數(shù)據(jù)進行圖像重建。為評價該算法的性能,本文分別設置了在均勻電導率分布背景中電導率等間隔增大的單個、兩個和三個擾動目標仿真模型,以及大尺寸擾動目標、擾動目標尺寸逐漸變化、擾動目標位置逐漸變化和擾動目標電導率非等間隔增大的仿真模型,分別計算不同仿真模型的mit正問題以獲得仿真的測量數(shù)據(jù),然后使用tgn算法重建電導率分布圖像。對于單個、兩個、三個擾動目標仿真模型,重建圖像中擾動目標位置準確、尺寸相當,電導率相對于背景比例相似。重建圖像的rpe較小,rde為1,說明重建圖像中擾動目標的位置準確、尺寸相當。對于大尺寸擾動目標仿真模型、擾動目標尺寸逐漸變化的仿真模型和擾動目標位置逐漸變化的仿真模型,重建圖像中擾動目標的尺寸有所偏差,重建偽影增強。重建圖像的rde與1的差值偏大,說明重建圖像中擾動目標的尺寸有所偏差;rpe較小,說明重建圖像中擾動目標的位置準確。為了評價tgn算法反映電導率分布狀態(tài)隨時刻序列變化的能力,對擾動目標電導率等間隔增大和非等間隔增大的仿真模型進行了圖像重建,分別繪制了仿真模型和重建圖像中擾動目標電導率均值隨時刻序列變化的曲線,結果表明:兩組曲線幾乎完全重合,相關系數(shù)都為0.9999,說明該算法能夠正確的反映出電導率分布狀態(tài)的連續(xù)變化。為了評價該算法的抗噪性能,分別設定Tikhonov正則化方法中的參數(shù)為1e-002、1e-003和1e-004,對單個擾動目標仿真模型的仿真數(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算法對仿真數(shù)據(jù)進行圖像重建。結果表明:1)固定正則化參數(shù)時,隨著噪聲水平的增加,重建圖像中擾動目標的尺寸逐漸增大,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)散所對應的噪聲水平也逐漸升高,說明合理選擇正則化參數(shù)可改善該算法的抗噪性能。通過上述分析,說明TGN算法具有良好的性能,是一種適用于連續(xù)監(jiān)測的MIT重建算法。綜上所述,本文對使用連續(xù)多幀測量數(shù)據(jù)進行圖像重建的時間序列化MIT重建算法展開了研究工作,推導了適用于MIT的兩種時間序列化重建算法,進行了仿真成像,并評估了各自的性能。其中LKF算法性能較差,而TGN算法則性能良好。本研究為進一步深入研究時間序列化的MIT重建算法奠定了良好基礎,為連續(xù)監(jiān)測時使用的MIT重建算法提供了新的選擇。
【關鍵詞】：磁感應斷層成像 重建算法 時間序列化 有限元方法 連續(xù)監(jiān)測
【學位授予單位】：第四軍醫(yī)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R445.2;TP391.41
【目錄】：

• 縮略語表6-7
• 中文摘要7-11
• 英文摘要11-16
• 前言16-18
• 文獻回顧18-31
• 1 MIT技術概述18-22
• 1.1 MIT技術原理18-19
• 1.2 MIT研究內(nèi)容19-22
• 1.2.1 MIT正問題20-21
• 1.2.2 MIT逆問題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中時間序列化重建算法27-29
• 3.1 卡爾曼濾波算法28-29
• 3.2 時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 重建圖像質量評價標準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 單個擾動目標仿真成像37-38
• 3.4 兩個擾動目標仿真成像38-39
• 3.5 三個擾動目標仿真成像39-40
• 3.6 追蹤擾動目標電導率的仿真成像40-41
• 4 LKF算法小結41-43
• 第二部分 MIT時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)對重建結果的影響48-53
• 3.1.1 正則化參數(shù)對重建結果的影響48-50
• 3.1.2 幀間相關性系數(shù)對重建結果的影響50-51
• 3.1.3 測量數(shù)據(jù)幀數(shù)對重建結果的影響51-53
• 3.2 仿真成像53-66
• 3.2.1 擾動目標電導率逐漸增大的仿真成像54-58
• 3.2.2 擾動目標尺寸逐漸擴大的仿真成像58-59
• 3.2.3 擾動目標位置逐漸移動的仿真成像59-61
• 3.2.4 大尺寸擾動目標的仿真成像61-62
• 3.2.5 追蹤擾動目標電導率的仿真成像62-64
• 3.2.6 抗噪性能仿真成像64-66
• 4 TGN算法小結66-68
• 總結與展望68-70
• 參考文獻70-79
• 個人簡歷和研究成果79-80
• 致謝80

【相似文獻】

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 楊小偉;姚秋林;程學旗;;分布式入侵檢測系統(tǒng)的配置分發(fā)策略研究[A];第三屆全國信息檢索與內(nèi)容安全學術會議論文集[C];2007年

2 丁靈;黃宇凱;王曉玲;胡大斌;周傲英;;基于序列化方法實現(xiàn)有效的無序XML查詢[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

3 許暉;;應用XML實現(xiàn)Java對象序列化技術簡述[A];Java技術及應用的進展——第七屆中國Java技術及應用交流大會文集[C];2004年

4 劉樂;馮建華;;SCALER+:基于序列匹配的高效XML分支查詢求解算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 賀玲麗;平遙全力構建中小學德育序列化體系[N];晉中日報;2011年

2 本報記者 李炳亭　特約記者 洪湖;派尼學校的“讀寫序列化”[N];中國教師報;2009年

中國博士學位論文全文數(shù)據(jù)庫 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;2006年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 王靜花;初中作文序列化訓練策略研究[D];蘇州大學;2015年

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

3 王宏;高中議論文序列化教學實施策略探究[D];遼寧師范大學;2015年

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

5 張曉;基于序列數(shù)據(jù)獲取的改進極限學習機算法研究[D];湘潭大學;2016年

6 劉潤生;時間序列化磁感應斷層成像算法研究[D];第四軍醫(yī)大學;2016年

7 史毅;學習對象的序列化策略研究[D];華中科技大學;2005年

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

9 仇瑾;高中語文寫作序列化教學實踐設計[D];上海師范大學;2014年

10 黃宇凱;基于序列化的高效XML查詢算法[D];復旦大學;2008年

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

，

本文編號：281494