軟場重建的系統和方法

專利名稱：軟場重建的系統和方法
技術領域：
本文公開的該主題通常涉及數據重建系統和方法，以及更特別的是，涉及識別感興趣區域的邊界以及估計其特性的系統和方法，特別是在軟場重建中。
背景技術：
軟場層析成像，諸如電阻抗譜(EIS)(也稱為電阻抗層析成像(EIT))、擴散光學層析成像、彈性圖像、以及相關形態可以用于測量對象的內部特性，諸如包括對象(例如，人體區域)的內部結構的物質的電特性。例如，在EIT系統中，對內部結構的電導率的分布做出估計。基于施加的激勵(例如，電流)和在區域或容積的表面所采集的測量的響應(例如，電壓)，這種EIT系統重建該區域或容積內物質的電導率和/或介電常數。然后可以 形成估計的可視分布。在軟場層析成像中，傳統的重建算法依賴基于靈敏度矩陣的算法，其使用了關于在整個被重建的區域或容積上感興趣的特性如何變化的梯度假設。特別是，靈敏度矩陣假設被重建的特性在整個被重建的區域或容積上平滑改變。該假設通常是感興趣的實際對象內的特性分布的拙劣近似。據此，諸如使用梯度限定特性的實際分布的假設通常是無效的。因此，重建圖像的特征的區域或容積通常是不準確的，并且彼此緊挨的多個對象會模糊不清。

發明內容
根據實施例，提供了一種軟場層析成像重建的方法。該方法包括如下步驟建立對象的特性分布的初始估計，使用第一重建過程重建實際特性分布的估計，以及采用不同于第一重建過程的第二重建過程來進ー步重建實際特性分布的估計。來自第一重建過程的解被用作第二重建過程中的初始估計。根據另ー實施例，提供了一種軟場層析成像重建的方法。該方法包括如下步驟使用基于靈敏度矩陣的方法執行初始重建以估計特性分布的一個或多個感興趣區域位置，以及使用來自該初始重建的信息作為用于邊界位置重建的先驗量。該方法還包括使用利用先驗量的形狀探測處理來執行邊界位置重建從而定位一個或多個感興趣區域。根據又另ー實施例，提供了一種軟場層析成像系統，其包括多個換能器，其配置成接近對象的外表面而定位，以及ー個或多個激勵驅動器，其與多個換能器耦合并配置成生成用于該多個換能器的激勵信號。該軟場層析成像系統還包括一個或多個響應探測器，其與多個換能器耦合并配置成測量該多個換能器上的響應，其響應多個換能器基于激勵信號而施加的激勵。該軟場層析成像系統還包括軟場重建模塊，其配置成使用多個不同的重建過程基于激勵信號和所測量的響應來重建對象的特性分布，其中該多個重建過程的至少一個的解用作該多個重建過程的后續ー個的至少ー個的先驗信息。


當前公開的主題將通過閱讀非限制性實施例的下文描述，并參照下面的附圖得到更好的理解，其中圖I是示出根據各種實施例形成的軟場層析成像系統的簡化框圖。圖2是示出特性分布重建的簡化圖。圖3是示出根據各種實施例的軟場層析成像信息流程的框圖。圖4是示出根據各種實施例執行的重建過程的簡化框圖。
圖5是根據各種實施例的重建方法的流程圖。圖6是示出沒有良好限定的邊界的分布圖。圖7是示出針對圖6中的分布的實際邊界的分布圖。圖8是示出根據各種實施例的水平集過程(level set process)的圖。圖9是示出根據各種實施例的重建方法的各種分布和結果的圖。
具體實施例方式上述概要，以及下文對某些實施例的詳細描述，當結合附圖閱讀時將得到更好的理解。就附圖示出了各種實施例的功能塊圖而言，功能塊不一定是硬件電路之間的劃分指示。因此，例如，ー個或多個功能塊(例如，處理器、控制器、電路或存儲器)可以在單片硬件或多片硬件中實現。應該理解的是，各種實施例并不限制于附圖中所示的布置、部件/元件互連以及手段。如本文使用的，単數形式的以及以詞“ー個”(“a”/ “an”)開頭的模塊或步驟應該理解為不排除多個所述元件或步驟，除非明確說明了該排除。此外，提及的“一個實施例”并非g在解釋為排除也合并所述的特征的其它實施例的存在。而且，除非有相反的明確說明，實施例“包括”或“具有” 一個或多個擁有獨特特性的模塊，可以包括不具有那種特性的附加的這種模塊。各種實施例提供了一種用于軟場層析成像的系統和方法，其使用來自例如來自一個或多個重建算法的估計的先驗信息(先驗量)，以識別感興趣區域的位置，限定這些區域的邊界，并估計ー個或多個限定的有界區域的特性。先驗量可以是特定重建過程之前獲得的任何信息，例如，先驗信息(i)來自假設或初始估計或(ii)被提供為來自計算裝置或其他算法(例如，先前執行的重建過程)的輸出。至少ー個技術效果是改進的定位精度、感興趣區域的特性值(例如，電導率、介電常數、光散射)的改進估計、對象或感興趣區域邊界的改進估計、和/或區域和/或容積估計的改進精度。例如，在醫療應用中，通過實施至少ー個實施例，可以改進診斷精度以及可以減少對基于監測和警報的方法的錯誤警報。應該指出的是，本文使用的“軟場層析成像”泛指不為“硬場層析成像”的層析成像方法的任何層析成像的或多維的擴展。圖I示出了軟場層析成像系統20的一個實施例。例如，軟場層析成像系統20可以是電阻抗譜(EIS)系統，也稱作為電阻抗層析成像(EIT)系統，其用于確定圖2所示的對象22內物質的電特性。例如，可以確定對象22或其他區域或容積內部的電導率(σ )和/或介電常數(O的空間分布。因此，可以確定對象22(例如，患者)的內部特性。在示出的實施例中，系統20包括多個換能器24(例如，電極)，其定位在對象22表面或接近對象22的表面，這在醫療應用中(例如，病人監護或組織表征)可以包括將多個換能器24附接到患者或受檢者的皮膚。例如，換能器24可以定位在對象22的表面上(例如，電極、熱源、超聲換能器)、靠近對象22的表面(例如，射頻天線)、或者刺穿對象22的表面(例如，電極針)。因此，換能器24可以采取不同的形式，諸如表面接觸電極、支起電極、電容耦合電扱、以及諸如天線的導電線圈等等。應該指出的是，軟場層析成像系統20可以是其他類型的系統。例如，軟場層析成像系統20可以是擴散光學層析成像(DOT)系統、近紅外譜(NIRS)系統、熱成像系統、弾性成像系統或微波層析成像系統等等。激勵驅動器26和響應探測器28與換能器24耦合，它們每一個都連接到軟場重建模塊30。軟場重建模塊30可以是任何類型的處理器或計算裝置，其至少部分基于從換能器 24接收到的響應執行軟場重建，本文將更加詳細地描述。例如，軟場重建模塊30可以是硬件、軟件或它們的組合。在一個實施例中，激勵驅動器26和響應探測器28是物理上分離的裝置。在其他實施例中，激勵驅動器26和響應探測器28物理上集成為ー個元件。還提供了控制器33，控制器33發送指令給激勵驅動器26，激勵驅動器26基于該指令驅動換能器24。應該指出的是，激勵驅動器26可以提供為連接換能器24的全部或子集。還應該指出的是，可使用不同類型的激勵獲取各種實施例重建過程中使用的特性分布數據。例如，電、磁、光、熱或超聲激勵等等，可以結合各種實施例使用。在這些不同實施例中，換能器24可以以不同方式與對象22耦合，且不一定直接接觸或僅在對象22的表面與對象22耦合(例如，電耦合、電容耦合、流電耦合等)。在一個實施例中，對象22是人體區域，諸如頭部、胸部、或腿部，其中空氣和組織具有不同的電導率。軟場層析成像系統20顯示人體區域的內部特性(例如，物質特性)的狀況，從而可以幫助例如與出血、腫瘤、肺功能等等有關的疾病的診斷。對象不僅限于人類而動物也經受本文詳細描述的技木。在其他實施例中，軟場層析成像系統20可用于在各種其他應用中生成電阻抗分布的可視表示，各種應用諸如確定包括油和水的混合流體中的物質特性、或針對地下的陸地區域用于土壤分析和路基檢驗，等等。在各種實施例中，換能器24可以由任何合適的材料形成。例如，使用的換能器24的類型可以基于特定應用，這樣針對該特定應用，相應的換能器類型(例如，電極、線圈等)被用來生成軟場激勵(例如，電磁場)以及接收對象對該激勵的響應。在一些實施例中，導電材料可用于建立電流。例如，可以從諸如銅、金、鉬、鋼、銀及其合金的ー種或多種金屬形成換能器24。其他用于形成換能器24的示例性材料包括導電的非金屬材料，諸如與微電路結合使用的基于硅的材料。在一個實施例中，其中對象22是人體區域，換能器24由銀-氯化銀形成。此外，換能器24可以用不同的形狀和/或大小形成，例如，桿形、平板形、或針形結構。應該指出的是，在一些實施例中，換能器24是彼此絕緣的。在其他實施例中，換能器24可以定位成與對象22直接歐姆接觸或與對象22電容耦合。在操作中，換能器24或換能器24的子集可用于傳輸信號(例如，傳遞或調制信號)，例如，連續傳遞電流，或用于傳遞隨時間變化的信號，這樣在時間頻率范圍上(例如，IkHz到IMHz)可將激勵施加到對象22的表面以在對象22內生成電磁(EM)場。在EIS或EIT應用中，產生的表面電勢，即換能器24上的電壓可以使用本文所述的重建方法的ー個或多個實施例來測量，以確定電導率或介電常數分布。例如，可以基于換能器24的幾何形狀、施加的電流以及所測量的電壓來重建可視分布。
因此，在各種實施例中，激勵驅動器26對每個換能器24施加激勵，以及響應探測器28測量每個換能器24(其可以由多路復用器的多路復用)上對象22的響應，其響應換能器24上施加的激勵。應該指出的是，可以提供任何類型的激勵，例如，電流、電壓、磁場、射頻波、熱場、光信號、機械變形以及超聲信號，等等。例如，在EIS或EIT應用中，并如圖2所示，執行軟場重建以識別對象22內的感興趣區域32。如圖示，響應探測器28 (如圖I所示)測量換能器24上的響應電壓(或響應電流)，其響應激勵驅動器26 (如圖I所示)施加到換能器24的電流(或電壓)。應該指出的是，響應探測器28還可以包括一個或多個模擬信號調節元件(未示出)，其放大和/或濾波所測量的響應電壓或電流。在其他實施例中，軟場層析成像系統20的處理器包括信號調節元件，其用于放大和/或濾波從響應探測器28接收到的響應電壓或響應電流。因此，軟場重建模塊30，計算對象22對所施加激勵的響應。例如，圖3示出了 EIS 信息流程圖。特別是，基于來自計算裝置52的激勵使用正向模型50來預測提供給軟場重建模塊30的電壓(預測數據)。由軟場層析成像儀54給對象22施加激勵(如圖I和2所示)，所述軟場層析成像儀54可以包括換能器24和其他激勵和測量部件，其中具有也為重建模塊30提供的測量的電壓(測量的數據)。然后軟場重建模塊30使用各種實施例執行重建以生成諸如阻抗分布的特性分布56的估計，以識別對象22內的感興趣區域32(均示于圖4)。應該指出的是，各種部件可以是物理上分離的部件或元件或可以組合。例如，軟場重建模塊30可以形成軟場層析成像系統20(如圖I所示)的一部分。使用各種實施例，提供了軟場重建，其使用多個重建算法以識別感興趣區域32位置、限定這些感興趣區域32的邊界并估計該限定的有界區域的特性。例如，在一些實施例中，來自至少一個重建算法(初始重建)的先驗信息被用于后續的不同重建算法中。圖4示出了根據各種實施例的簡化的重建過程60可以用于軟場層析成像重建，以執行感興趣區域定位和/或感興趣區域或對象的邊界估計。因此，感興趣區域定位可以包括對象22內的目標、感興趣區域的目標或對象或邊界本身。特別地，在62處提供了初始估計(有時被稱為初始猜測)，如感興趣區域或容積內的特性分布的初始估計。例如，在EIS或EIT重建中，初始估計可以限定圓形的外邊界，其中在該區域內具有均勻電導率分布。使用該初始估計(其可以簡單設定重建的感興趣容積內的所有值為預定水平)，在64處使用第一重建方法執行重建，其生成第一特征集，即特性分布的特征集。該第一重建方法可以是單遍法或迭代法。在各種實施例中的第一重建方法是初始重建，其提供針對容積內分布(諸如容積內阻抗分布)的第一重建解作為輸出。第一重建方法可以是收斂到ー個解的迭代法。因此，使用初始估計，第一重建方法確定感興趣特性的實際分布的估計。此后，來自第一重建方法的解被作為在66處執行的第二重建(或可選地第二重建方法之后的任何后續重建方法)的輸入(起點或初始估計)，在66處執行的第二重建采用了第二重建方法，其生成不同于第一特征集的第二特征集。應該指出的是，由第二重建方法所使用的來自第一重建方法的解可以是，例如，第一特征集的全部或子集。該第二重建方法可以是單適法或迭代法。在各種實施例中的第二重建方法提供針對區域或容積內的特性分布的第二重建解(例如，該區域或容積的進ー步重建)作為輸出，諸如區域或容積內實際阻抗分布的估計。第二重建方法可以是收斂到ー個解的迭代法。因此，使用基于第一重建方法輸出的初始估計，第二重建方法確定感興趣特性的實際分布的估計。例如，在一些實施例中的第一重建方法是任何類別的重建算法，其提供用于感興趣區域內軟場分布的值的良好的或可接受的估計，但不一定是ー個或多個感興趣區域的邊界的良好的或可接受的估計。因此，第一重建方法可以提供特性分布值的更臨床相關或更準確的估計，以及感興趣的較少臨床相關或較不準確的估計，進而限定第一特征集。因此，第一重建方法可以是ー個適于或優化于針對感興趣區域內的軟場分布值而不是區域的邊界值的估計的過程。一些實施例中的第二重建方法提供了不同于第一特征集的第二特征集。例如，在一些實施例中，第二重建方法是任何類別的重建算法，其提供特性分布的感興趣區域的邊界位置的良好的或可接受的估計，但不一定是ー個或多個感興趣區域內部或外部值分布的良好的或可接受的估計。因此，第二重建方法可以提供針對軟場分布的感興趣區域邊界的更臨床相關或更準確的估計，以及分布值的較少臨床相關或較不準確的估計。因此，第一重建方法可以是ー個適于或優化于提供感興趣的軟場分布區域的邊界而不是針對區域的值的估計的過程。 因此，在一些實施例中，第一重建過程選自為確定實際軟場層析成像分布估計的值而優化的ー類算法，以及第二重建過程選自為形狀重建而優化的ー類算法。應該指出的是，在66處執行的第二重建算法的輸出或解之后可以作為在64處再次執行的第一重建方法的輸入(起點或初始估計)。例如，在第一重建方法中邊界形狀可以被假定是正確的，并使用第二重建方法擾動或調整電導率。此后，來自第二個重建方法的電導率的解然后被假定是正確的并用于第一重建方法，其中邊界形狀現在被擾動或調整以產生解。因此，在各種實施例中，第一重建方法用來確定第一或初級特征而第二重建方法用來確定第二或ニ級特征。應該指出的是，來自第二重建方法的解可以提供為返回第一重建方法的輸入，并再次被用來提供附加的解。此外，更多的重建方法可以被使用和代入或添加到重建過程60的處理流程。附加的重建方法可以通過使用之前重建的任ー個(或全部)的特征集(或其中部分)作為輸入來執行。來自任何重建方法的輸出也可以用作任何后續重建方法的輸入，并不限定于緊接的后續重建方法。作為示例,諸如針對EIS或EIT重建,執行如圖5所示的方法70用以估計ー個或多個感興趣區域的感興趣特性的實際分布。方法70包括執行第一重建過程72，其中來自該過程的解用作第二重建過程92的輸入。例如，在該實施例中第一重建過程可以是基于靈敏度矩陣的算法的任何類別或類型。應該指出的是，雖然第一重建過程72示出為迭代逆解算器(iterative inverse solver),即高斯-牛頓迭代方法,但也可以使用其他類型,例如,牛頓單步誤差重建器(NOSER)重建過程。特別是，在74處做出初始或開始估計，其在各種實施例中是特性分布的初始估計，在一些實施例中，其假定為如示出了均勻分布的分布76所示的均勻場。此后在78處執行正向模型化，其可以是任何合適的正向模型化方法。如在80處所示出的，正向模型化的電壓響應(Vf)從施加電流(I)計算，其中實際響應可能不匹配實驗測量值(例如，在如圖3所示的軟場層析成像儀54的輸出處的測量電壓)。此后，例如基于測量電壓(Vm)和正向模型電壓Vf之間的差異，在82處采用下面等式確定誤差矩陣
E = I IVm-VfI I2 等式 I此后，在84處確定更新項，例如，其可以如下計算Aoi = - [JtJ+ λ RtR] -1 [JT (Vm-Vf) - λ RtR σ J 等式 2在等式2的實例中，更新項是所確定的電導率(σ)中的變化，并包括正則化項ARtR來平滑該解。此后，特性分布估計在86處更新(并如圖88所示)，其可以如下限定σ i+1 = σ j+Δ σ j 等式 3從88處可以看出，分布值特別是所確定的特性值(其近似容積內的實際值)被識別以顯示感興趣特性(例如，電導率或介電常數)如何在整個容積內變化。可以提供例如具有彩色編碼區域的可視表示，其中顏色對應估計的特性值(例如，電導率值)。
之后更新的場被輸入回在78處的正向模型化步驟，從而迭代地提供了更新分布90。執行第一重建過程72直到達到解的收斂，例如，當VmたVf。在各種實施例中，使用第一重建過程72達到收斂后，已經確定了特性分布值(例如，由彩色區域表示的電導率值)。特別是，產生了感興趣特性(例如，異常)的實際分布值的臨床相關估計。然而，如圖6所示，對比于圖7所示的實際邊界112，作為異常110 (由用于圖示目的三個模糊的圓圈元素表示)而示出的感興趣區域的邊界112，并沒有很好地限定(顯示不同的顔色)。因此，雖然針對對象內部分布的值已經收斂到諸如用于提供臨床相關信息的可接受的水平，但邊界沒有很好地限定。然后，方法70包括執行第二重建過程92，其中用于該重建的起始點(初始估計)是或結合來自第一重建過程72的輸出或解。因此，在這個實例中，用于第二重建過程92的初始估計不是均勻分布，而是已經收斂到該分布的值估計的分布。例如，在該實施例中的第二重建過程92可以是任何類別或類型的形狀重建方法，諸如用于限定異常110(圖6和圖7所示)的邊界的水平集方法。應該指出，雖然第二重建過程92說明為水平集形狀重建方法，但可以采用其他類型，例如，適于確定區域邊界或用于跟蹤界面或形狀的任何合適類型的重建方法。此外，第一和第二重建過程72和92根據期望或要求可以執行或使用不同類型的重建算法，例如，基于特定應用，諸如待估計的特性分布、待估計的感興趣區域的相對數量和形態、以及對象22的幾何形狀的知識的可用性。該實施例中的第二重建過程92為形狀重建方法，其中對象和一個或多個感興趣區域的幾何形狀邊界由水平集函數表示。例如，σ = Φ(Π Ω)可以限定映射，其為參數分布分配給定的水平集函數，在下面將詳細描述。特別是，背景和異常電導率已通過第一重建過程72估計，從而在各種實施例中的重建不再是電導率重建問題。因此，在94處，至少部分基于來自第一重建過程72的確定，對水平集函數分配特性分布。因此，至少部分基于來自第一重建過程72的解，ー個或多個感興趣區域的近似的或估計的特性(電導率)以及該一個或多個感興趣區域外部的區域或容積(例如，背景)被假定為已知的。在該第二重建過程92中，先驗的N信息明確地納入該問題的模型化中，其中，N可以是2。此后，在96處執行正向模型化。應該指出的是，在水平集重建方法的實例中，限定邊界的形狀可以由水平集函數Π的零水平集來表示，其中Ω表示具有特性(電導率)σ _m的感興趣區域以及由Obdtg表示背景特性(電導率)。使用這些變量，可以通過零水平集限定ー個或多個感興趣的區域的邊界
5Ω = {r : Il(r) = 0}等式 4圖8的圖形122示出了該邊界120。應該指出的是，邊界形狀(示出為較小圓圈)是為簡單起見示出的以及實際邊界可能會更復雜并采取任何閉合的形式。之后特性(電導率)分布可以定義為等式5因此，可以執行閾值處理以從該實施例中一個或多個感興趣區域中分離ー個或多個感興趣區域外部的區域或容積，其中感興趣區域特性(σ_π)和背景特性(Qbdtg)從第一重建過程72估計。因此該分布僅包括兩個值，一個在該一個或多個感興趣區域內部，以及一個在該一個或多個感興趣區域外部，由一個或多個邊界分開。之后高斯-牛頓迭代可以模型化為 び”=(D(TIon)=O(IT)等式6因此，在98處，如果Π η是ー個或多個感興趣區域的現有形狀/邊界，以及B是正向數據G ( 3G/3n)的雅可比行列式(Jacobin)，以及K是δφ/δΠ的離散型，則更新的形狀/邊界，Πη+1，可以被限定為
—ο] ηη+χ=ηη + λ{ΒΒη +a2LTL)\Bl{vm-Vf{uya2LTLU^ 7其中
dVf QVf δΦVf(TI) =F(0(n))，B = JK(鑒于 ^ ニ^·兩)此后，在100處更新特性分布，其中在該實施例中是形狀和/或邊界。這個過程是迭代地執行的，以使得步驟96、98、100迭代執行直到達到收斂于ー個解。該收斂解可以使用任何合適的參數限定，例如，由預定的公差或偏差水平來限定。此后，在102處可以生成(例如，顯示)特性分布的數值量化數據或可視表示(例如，重建的圖像)。應該指出的是，第二重建過程92(例如，邊界確定)的結果可輸入回至第一重建過程72，并作為74處的初始估計。因此，在各種實施例中提供了水平集函數以使得形狀以降低價值函數(例如，數據-模型失配)的方式變形。根據具有兩相數據、即兩相分布(例如一個或多個感興趣區域的外部和一個或多個感興趣區域的內部)的各種實施例，通過使用第一和第二重建過程72和92，確定了分類的有界的感興趣區域，其包括更加臨床相關或準確的信息。因此，在圖9中可以看出，實際分布150由與較大圓形對象共中心的單ー圓形感興趣區域表示。分布152示出了第一重建過程72后的結果，其不具有良好限定的感興趣區域邊界(在感興趣區域的邊緣處的顔色改變)。之后，通過特性分布152表示用于第二重建過程92的初始估計，其中最終重建是在收斂到由分布156表示的使用第二重建過程92的解之后。最后，圖表160分別示出了實際特性分布、第一重建過程72后的分布、以及第二重建過程92后的特性分布的輪廓162、164以及166。可以看出，在執行第一和第二重建過程72和92這兩個之后，特性分布提供針對實際輪廓的最佳匹配。特別是，可以看出，有界特性分布更接近實際特性分布。
應該指出的是，各種實施例可用于估計作為容積內的偏移的感興趣區域內的分布，以及數個感興趣區域的分布。因此，感興趣區域不是如示出的那樣必須在對象內居中，而是可以定位在對象內的不同位置。因此，根據ー些實施例，例如對EIS或EIT，使用形狀重建為軟場重建提供了改進的邊界識別，其中有界區域被分類。此外，根據ー些實施例，例如對EIS或EIT，基于來自形狀估計算法的改進精度的邊界位置估計，使用基于靈敏度矩陣方法為軟場重建提供了改進的特性分布估計。因此，在第一重建方法的輸出被用作第二重建方法的輸入的情況下，第二重建方法的后續輸出可以被反饋并用作該第一重建方法的輸入，然后再次執行該第一重建方法。各種實施例和/或部件，例如，模塊、元件或部件以及其中的控制器，同樣可以作為ー個或多個計算機或處理器的一部分來實現。計算機或處理器可以包括計算裝置、輸入裝置、顯示單元和例如用于訪問互聯網的接ロ。計算機或處理器可以包括微處理器。微處理器可以連接到通信總線。計算機或處理器還可以包括存儲器。存儲器可以包括隨機存取存儲器(RAM)和只讀存儲器(ROM)。計算機或處理器還可以包括存儲裝置，其可以是硬盤驅 動器或可移動存儲驅動器，諸如光盤驅動器、固態硬盤驅動器(例如，閃存RAM)，等等。存儲裝置還可以是用于加載計算機程序或其他指令到計算機或處理器中的其他類似裝置。如本文所使用的，術語“計算機”或“模塊”可以包括任何基于處理器或基于微處理器的系統，包括使用如下裝置的系統微控制器、精簡指令集計算機(RISC)、專用集成電路(ASIC)、現場可編程門陣列(FPGA)、圖形處理單元(GPU)、邏輯電路，以及任何其他能夠執行本文所述功能的電路或處理器。以上的實例僅是示例性的，因此并非g在以任何方式限制術語“計算機”的定義和/或含義。計算機或處理器執行存儲在ー個或多個存儲元件中的ー組指令，以處理輸入數據。存儲元件也可以存儲期望的或需要的數據或其他信息。存儲元件可以是處理機內的信息源或物理存儲器元件的形式。指令集可能包括各種命令，其命令計算機或處理器作為處理機來執行具體操作，諸如本發明的各種實施例的方法和過程。指令集可以是軟件程序的形式，其可以形成實體非暫時性計算機可讀介質或媒介的一部分。軟件可以是諸如系統軟件或應用軟件的各種形式。此外，軟件可以是單獨的程序或模塊的集合、在較大程序中的程序模塊或程序模塊的一部分的形式。軟件還可以包括面向對象編程形式的模塊化編程。由處理機對輸入數據的處理可以響應操作者命令、或響應先前處理的結果、或響應另一處理機做出的請求。如本文所使用的，術語“軟件”、“固件”和“算法”是可互換的，并包括存儲在存儲器中由計算機執行的任意的計算機程序，存儲器包括RAM存儲器、ROM存儲器、EPROM存儲器、EEPROM存儲器、以及非易失性RAM(NVRAM)存儲器。上述存儲器類型只是示例性的，并因此不限制于可用于計算機程序的存儲的存儲器類型。應該理解的是，上面的描述的目的在于說明，并沒有限制。例如，上述實施例(和/或其中的方面)可以互相結合使用。此外，可以做出許多修改，以使特定情況或材料適于本發明的各種實施例的教導，而不偏離它們的范圍。雖然本文描述的材料的尺寸和類型目的是限定本發明的各種實施例的參數，但這些實施例并非限制性的而是示例性實施例。在本領域技術人員查閱上面描述后，許多其他實施例將變得顯而易見。因此，本發明的各種實施例的范圍應當參照所附權利要求書連同對權利要求書所賦予的等同的整個范圍來確定。
在所附權利要求書中，術語“包含”和“在......中”被用作為相應術語“包括”和“其中”
的等效通俗語言。此外，在下面權利要求書中，術語“第一”、“第二”、以及“第三”等僅用作標記，并非g在對它們的對象強加數值要求。此外，下面權利要求書的限制沒有以“裝置加功能”的格式來書寫，并且也非_在基于35USC § 112條、第6段來解釋，除非且直至該權利要求書的限制明確使用“用于...的裝置”繼之以功能陳述而無其他結構的短語。該書面描述使用實例來公開本發明的各種實施例，包括最佳模式，以及還能使任何本領域技術人員能夠實施本發明的各種實施例，包括做出和使用任何裝置或系統以及執行任何合并的方法。本發明的各種實施例的專利范圍由權利要求書限定，可以包括被本領域技術人員想到的其他實例。如果這些其他實例具有并非不同于權利要求書的字面語言的 結構性元件、或者如果它們包括非實質區別于權利要求書字面語言的等效結構性元件，它們將被認定為處于權利要求書的范圍之內。
權利要求
1.一種用于軟場層析成像重建的方法，所述方法包括 建立對象的特性分布的初始估計； 使用第一重建過程重建實際特性分布的估計；以及 使用不同于所述第一重建過程的第二重建過程來進ー步重建所述實際特性分布的估計，其中來自所述第一重建過程的解被用作所述第二重建過程中的初始估計。
2.根據權利要求I所述的方法，其中所述第一重建過程確定所述實際特性分布的值的估計。
3.根據權利要求I所述的方法，其中所述第二重建過程確定對于所述實際特性分布的感興趣區域的或所述對象的邊界的估計。
4.根據權利要求I所述的方法，其中使用所述第一重建過程包括使用基于靈敏度矩陣的重建算法。
5.根據權利要求I所述的方法，其中使用所述第二重建過程包括使用形狀重建方法。
6.根據權利要求5所述的方法，其中所述形狀重建算法包括水平集算法。
7.根據權利要求I所述的方法，還包括使用來自所述第二重建過程的解作為所述第一重建過程中的初始估計。
8.根據權利要求I所述的方法，其中所述特性分布是在電阻抗譜(EIS)、電阻抗層析成像(EIT)、擴散光學層析成像(DOT)、近紅外譜(NIRS)、熱成像、弾性成像或微波層析成像中的ー個中確定的分布。
9.根據權利要求I所述的方法，其中所述特性分布包括電導率、介電常數、磁導率、光吸收率、光散射、光反射率、弾性、或熱導率中的ー個或多個的分布。
10.根據權利要求I所述的方法，還包括從為確定所述實際特性分布的估計的值而優化的ー類算法中選擇所述第一重建過程。
11.根據權利要求10所述的方法，還包括從為形狀重建而優化的ー類算法中選擇所述第二重建過程。
12.根據權利要求I所述的方法，還包括從為形狀重建而優化的ー類算法中選擇所述第一重建過程。
13.根據權利要求12所述的方法，還包括從為確定所述實際特性分布的估計的值而優化的ー類算法中選擇所述第二重建過程。
14.根據權利要求I所述的方法，還包括使用與所述第一和第二重建過程均不同的第三重建過程來執行附加的重建。
15.根據權利要求I所述的方法，其中所述第一重建過程確定第一特征集，以及所述第二重建過程確定不同于所述第一特征集的第二特征集。
16.根據權利要求I所述的方法，還包括使用所述第一重建過程執行感興趣區域定位以及使用所述第二重建過程執行邊界估計。
17.根據權利要求I所述的方法，還包括使用所述第一重建過程執行邊界估計以及使用所述第二重建過程執行感興趣區域定位。
18.一種軟場層析成像重建方法，所述方法包括 使用基于靈敏度矩陣的方法執行初始重建以估計特性分布的一個或多個感興趣區域位置；使用來自所述初始重建的信息作為用于邊界位置重建的先驗量；以及 使用利用該先驗量的形狀重建方法執行邊界位置重建以定位所述ー個或多個感興趣區域位置。
19.根據權利要求18所述的方法，其中所述形狀重建方法包括水平集算法。
20.根據權利要求18所述的方法，其中所述初始重建包括迭代重建。
21.根據權利要求18所述的方法，其中所述初始重建包括單遍重建。
22.根據權利要求18所述的方法，還包括使用來自所述邊界位置重建的信息作為先驗量再次執行基于靈敏度矩陣方法的重建。
23.根據權利要求18所述的方法，還包括使用電阻抗譜系統或電阻抗層析成像系統獲得限定所述特性分布的阻抗信息。
24.根據權利要求18所述的方法，其中所述特性分布是在電阻抗譜(EIS)、電阻抗層析成像(EIT)、擴散光學層析成像(DOT)、近紅外譜(NIRS)、熱成像、弾性成像或微波層析成像中的ー個或多個中確定的分布。
25.根據權利要求18所述的方法，其中所述特性分布包括電導率、介電常數、磁導率、光吸收率、光散射、光反射率、弾性、或熱導率中的ー個或多個的分布。
26.—種軟場層析成像系統,包括 多個換能器，其配置成接近對象表面而定位； ー個或多個激勵驅動器，其與所述多個換能器耦合并配置成生成用于所述多個換能器的激勵信號； 一個或多個響應探測器，其與所述多個換能器耦合并配置成測量所述多個換能器上的所述對象的響應，所述響應針對由所述多個換能器基于所述激勵信號而施加的所述激勵； 軟場重建模塊，其配置成使用多個不同的重建過程基于所述激勵信號和所測量的響應來重建特性分布，其中所述多個重建過程中的至少ー個的解用作所述多個重建過程的后續一個的至少ー個的先驗信息。
27.根據權利要求26所述的軟場層析成像系統，其中所述軟場重建模塊配置為針對所述多個重建過程的第一重建過程使用基于靈敏度矩陣的重建算法，以及針對所述多個重建過程的第二后續重建過程使用水平集算法。
全文摘要
提供了一種軟場重建的系統和方法。該方法包括建立對象的特性分布的初始估計；使用第一重建過程重建實際特性分布的估計，以及采用不同于第一重建過程的第二重建過程來進一步重建實際特性分布的估計。來自第一重建過程的解被用作第二重建過程中的初始估計。
文檔編號A61B19/00GK102693547SQ20111046329
公開日2012年9月26日 申請日期2011年12月20日 優先權日2010年12月20日
發明者A·S·羅斯, V·V·L·R·蘭戈朱 申請人:通用電氣公司