本文介绍的是哈尔滨工业大学智慧医疗与健康研究中心孙明健课题组对环形阵列光声层析成像系统在稀疏成像过程中稀疏阵元优化选择的方法，利用模拟退火算法（SA）寻找特定成像目标的最优化稀疏阵元分布，基于压缩感知（CS）稀疏重建算法获得高质量光声图像，论文发表在《Journal of Innovative Optical Health Sciences》期刊2022年第5期。

The sparse array elements selection in sparse imagingof circular-array photoacoustic tomography

环形阵列光声层析稀疏成像中的稀疏阵元选择

Zezheng Qin, Yang Liu, Junke Chi, Yiming Ma and Mingjian Sun*

研究背景

光声成像技术利用光声效应克服了光学光子在生物组织中的高度散射，是一种结合了光学成像和超声成像优点的新型无创成像模式。为降低设备成本，提高成像速度，稀疏重建算法尤为重要，但稀疏阵元采样模式往往采用均匀稀疏采样，未考虑到每个阵元采集到的光声信号是各不相同的，即在稀疏成像过程中阵元的均匀稀疏采样不是最优解，影响后续成像效果。因此本文提出基于模拟退火算法针对特定成像目标进行稀疏阵元的最优化选择，最终利用压缩感知稀疏重建算法重建得到高质量的光声图像，有效地抑制欠采样伪影，降低设备成本以及提高成像速度，用于各种生物医学应用之中。

内容简介

本文提出了基于环形阵列光声层析系统成像中的稀疏阵元优化选择及稀疏成像算法，我们的目标是为PACT开发先进的稀疏成像框架。首先使用模拟退火算法寻找特定成像目标的最优稀疏阵元分布，基于相关阵元采集到的光声信号使用压缩感知稀疏重建算法获取高质量的光声图像，在现有稀疏重建算法的基础上更加有效地抑制欠采样造成的伪影，降低设备成本，提高成像速度，可灵活套用在各种稀疏重建算法的前端。

该稀疏成像框架通过仿真数据及系统实验数据进行验证：首先得到环阵光声层析成像系统的全采样光声数据，设定稀疏度，利用模拟退火算法不断优化稀疏阵元分布使其重建图像更加靠近全采样重建光声图像，最终得到最优化的稀疏阵元分布及成像效果。统计分析表明：无论在仿真实验还是真实系统实验中，基于所述算法所成的光声图像质量都得到了明显提升，稀疏度越大，提升效果越明显。

图文导读

1.稀疏阵元优化选择流程图

图1基于模拟退火算法的稀疏阵元优化选择流程图

图1展示了基于模拟退火算法的稀疏阵元优化选择流程图，设定好稀疏度，充分搜索解空间，以全采样光声图像为目标，探索最优化稀疏阵元分布，便于后续稀疏重建。

2.仿真实验验证

图2：优化的稀疏阵元分布。(a) 40个优化稀疏阵元分布；(b) 20个优化稀疏阵元分布

我们使用SA来优化稀疏阵元的分布。图2(a)-(b)显示了相关成像目标的40和20个优化稀疏阵元分布。

图3光声重建结果。(a)-(c)基于FBP使用60、40、20个优化阵元重建结果；(d)-(f)基于SA-FBP使用60、40、20个优化阵元重建结果；(g)-(i)基于CS使用60、40、20个优化阵元重建结果；(j)-(l)基于SA-CS使用60、40、20个优化阵元重建结果；(m)全采样重建结果；(n)图3(c),(f),(i),(l),(m)青色虚线像素值强度分布

在我们的工作中，选择重建图像的信噪比（SNR）和结构相似度（SSIM）来评估重建效果。表1显示，当使用的阵元较少时，本文提出的算法对重建效果的改善更为明显。这是因为较少的阵元数量导致数据采集中的较大差异。

3.系统实验验证

图4离体猪肝光声成像结果。(a)猪肝模型；(b)基于128阵元的FBP重建结果；(c)基于20个阵元FBP重建结果；(d)基于20个阵元CS重建结果；(e)基于40个阵元的SA-CS重建结果；(f)基于40个阵元的FBP重建结果；(g)为相应图像白色虚线上的像素强度值分布。

表2给出了PAI结果的定量信息。我们使用均方根误差（MSE）、SNR和SSIM进行定量评估。从表2可以看出，基于SA-CS重建的图像在相关指标方面都有很大的改善。基于本文算法，基于FBP的20阵元PAI结果优于40阵元生成的光声图像。

4.总结与展望

从实验结果可以看出，使用SA来寻找最佳稀疏阵元分布可以有效地改善FBP和CS的成像效果。这一改进对于FBP尤为重要，它大大减少了数据不完整造成的伪影。同时，基于SA的稀疏阵元选择可适用于大多数成像算法，并可作为辅助成像模块集成到其他成像算法中。在此阶段，基于SA的优化稀疏阵元选择主要针对特定成像目标，需要先验信息且缺乏灵活性，尚未用于实时成像。我们的下一步工作是将成像区域划分为多个小的子成像区域，并使用SA来获得每个小成像区域成像的最佳稀疏阵元分布。将获得成像范围内的每个子区域相对应的最优稀疏阵元分布，以形成完整的样本库。在实际实验中，可以根据成像目标所在的区域直接选择合适的稀疏阵元分布，可用于实时成像。可以应用于3D成像，取一小部分切片进行全采样成像，获得相应的最优稀疏阵元分布，然后引导其他切片成像进行疏阵元优化选择。

通讯作者简介

孙明健，教授、博导，哈工大智慧医疗与健康研究中心执行主任，国家重点研发计划首席科学家。研究方向为智能检测处理与控制、医学光声/超声成像关键技术。主持参与科技部国家重点研发计划、国家自然科学基金项目等国家级、省部级项目40余项。担任中华医学会消化内镜学分会影像协作组委员、中国研究型医院学会消化内镜分子影像学专业委员会常务委员、中国生物医学工程学会纳米医学与工程分会青年委员，发表高水平学术论文60余篇，主编专著2部，制定国标/行标5项，授权发明专利20余项，获得省部级一等奖2项。