[论文解读] Direct Sampling Method for Diffusive Optical Tomography

Yat Tin Chow, Kazufumi Ito+2 more|arXiv (Cornell University)|Oct 6, 2014

Optical Imaging and Spectroscopy Techniques参考文献 20被引用 7

一句话总结

该论文提出了一种用于扩散光学断层扫描（DOT）的新颖直接采样方法（DSM），仅需一对或两对柯西数据即可高效定位均匀介质中的不均匀性。该方法通过散射数据作为边界条件求解一个适定的椭圆系统，实现无需迭代优化的快速、无网格重建，并在噪声环境下表现出鲁棒性，且在有限孔径和病态情形下依然有效。

ABSTRACT

In this work, we are concerned with the diffusive optical tomography (DOT) problem in the case when only one or two pairs of Cauchy data is available. We propose a simple and efficient direct sampling method (DSM) to locate inhomogeneities inside a homogeneous background and solve the DOT problem in both full and limited aperture cases. This new method is easy to implement and less expensive computationally. Numerical experiments demonstrate its effectiveness and robustness against noise in the data. This provides a new promising numerical strategy for the DOT problem.

研究动机与目标

• 开发一种快速、直接且计算高效的算法，用于在仅有限柯西数据可用时，定位扩散光学断层扫描（DOT）中的不均匀性。
• 解决在全孔径和有限孔径配置下DOT反问题的严重病态性，同时仅使用最少的数据输入。
• 为传统迭代或基于优化的方法提供一种鲁棒的替代方案，这些方法通常需要精细的网格划分和昂贵的矩阵求逆。
• 通过减少紧密排列或靠近边界的包含物所导致的伪影和阴影，提升重建图像质量。
• 建立一种易于实现的新数值策略，适用于实时或床旁医学成像应用。

提出的方法

• 该方法基于偶极子势构造一组探测函数，以构建指示不均匀性存在的指标函数 $ I(x) $。
• 通过求解一个适定的椭圆型PDE（以散射势作为边界数据）来计算指标函数 $ I(x) $，从而避免使用病态的积分方程。
• 引入一种改进的指标函数 $ \widetilde{I}(x) $ 以提升图像质量并减少伪影，其来源于对 $ I(x) $ 的正则化类似变换。
• 采用平方后的改进指标函数 $ \widetilde{I}^2(x) $ 进一步增强对比度并减少阴影，从而实现最精确的定位。
• 该方法避免了矩阵求逆和迭代优化，仅依赖求解标准PDE，因此计算成本极低。
• 该方法适用于全孔径和有限孔径场景，仅需一对或两对柯西数据对即可完成重建。

实验结果

研究问题

• RQ1 能否仅使用一对柯西数据，通过直接采样方法实现对扩散光学断层扫描中不均匀性的重建？
• RQ2 当数据存在噪声或仅限于部分边界测量时，所提出的DSM在准确性和鲁棒性方面表现如何？
• RQ3 改进的指标函数 $ \widetilde{I}(x) $ 是否能有效抑制重建图像中的伪影和阴影？
• RQ4 与原始指标函数 $ I(x) $ 相比，平方后的改进指标函数 $ \widetilde{I}^2(x) $ 在定位准确性和抗噪能力方面表现如何？
• RQ5 与现有迭代求解器相比，所提出的方法在计算效率和实际临床应用可行性方面是否具备优势？

主要发现

• 所提出的DSM即使在存在5%随机噪声的情况下，也能仅使用一对柯西数据成功重建不均匀性的位置和形状。
• 改进的指标函数 $ \widetilde{I}(x) $ 相较于原始指标函数 $ I(x) $，能有效消除伪影并显著提升图像清晰度。
• 平方后的改进指标函数 $ \widetilde{I}^2(x) $ 提供了最精确且鲁棒的重建结果，显著减少了阴影并增强了对比度。
• 该方法在严重病态条件下仍能高精度重建四个紧密排列的圆形不均匀体以及靠近边界的矩形不均匀体。
• 与传统方法相比，计算成本大幅降低，因为无需进行矩阵求逆或迭代优化。
• 该方法对噪声具有强鲁棒性，且在有限孔径场景下依然有效，适用于实际医学成像应用。