1.有效保留锐利边缘的生物医学电阻抗层析成像方法,其特征在于具体过程为:将电阻抗层析成像的非线性逆向问题转化为线性问题Ag=b,式中,A为灵敏度矩阵,g为真实电导率分布,b为相对边界测量电压;所设计目标函数的优化模型为:式中,为优化得到的电导率分布, 为数据保真项又称为最小二乘项,λ为正则化参数用于权衡数据保真项与惩罚项又称为正则项之间的权重; 为一阶非凸惩罚项,为二阶非凸惩罚项,为梯度算子,ω为权重因子用于权衡一阶非凸惩罚项与二阶非凸惩罚项之间的权重,0<π1<1和0<π2<1为非凸函数的非凸参数;
非凸目标函数的求解首先需要利用迭代重加权最小二乘法将其变换为凸逼近模型的形式,凸逼近模型的优化模型表示为:式中, 为了避免 和 的分母为0,将φ的大小设置‑6
为10 ;
在分裂变量法的基础上引入了3个辅助变量v、w和z,将优化模型的无约束问题转化为约束问题表示为:s.t.z=Ag‑b,
为了用交替方向乘子迭代算法求上式,将上式表示为增广拉格朗日函数:式中,T表示矩阵的转置算子,α,β和χ是增广拉格朗日乘子,δ1,δ2,δ3>0是平衡各项之间权重的惩罚参数;
重建算法的具体过程为:(1)获取重建所需的相对边界测量电压b和灵敏度矩阵A;采用相邻电流激励和相邻电压测量且激励电极不测量的模式,并在循环激励、循环测量下采集测量电极上的边界电压,相对边界测量电压b为含有内含物的有物场边界测量电压b1之差与不含内含物的空场边界测量电压b2;(2)将图像重建的非线性问题转化为线性问题;(3)设置初始化参数;(4)更新权重因子ω;(5)更新非凸参数π1、π2;(6)更新正则化参数λ;(7)更新辅助变量v,w,z;(8)更新电导率分布g;(9)更新增广拉格朗日乘子α,β,和χ;(10)判断迭代是否符合迭代终止条件 或者k>kmax,若是,则迭代终止,进行下一步操作;若否,设置k=k+1继续迭代求解;(11)根据最终求解所得电导率分布 进行成像。
2.根据权利要求1所述的有效保留锐利边缘的生物医学电阻抗层析成像方法,其特征在于所述重建算法的具体步骤为:(1)分别获取三种被测模型各自重建所需的相对边界测量电压和雅可比矩阵A;在被测生物体表面均匀分布16个电极,采用相邻模式的电流激励和电压测量,通过采集循环激励和循环测量下的边界电压,共获得208组测量值;相对边界测量电压b为含有内含物的满场边界测量电压b2与不含内含物的空场边界测量电压b1之差,即b=b2‑b1;
基于有限元仿真的雅可比矩阵的计算公式为: 式中,Aij是第j个电极对对第i个电极对的灵敏度系数, 分别为第i个电极对及第j个电极对在激励电流为Ii,Ij时场域电势分布;
(2)将图像重建的非线性问题转化为线性问题:边界测量电压与电导率分布的关系是非线性的,对于变化不大的电导率分布,可将边界测量电压的变化简化为线性形式式中,Δg是电导率分布的扰动,ΔU是电导率的变化引起的边界测量电压的变化,将以上线性化形式表示为b=Ag;
‑6
(3)设置初始化参数:最小迭代阈值ε=10 ,初始迭代次数k=0,最大迭代次数kmax=
0 0 0
200,惩罚参数δ1=200,δ2=δ3=30,增广拉格朗日乘子α=0,β=0,χ=0初始灰度值g =TAb;
(4)更新权重因子ω:根据上一次优化得到的 值自动选择合适的权重因子,(5)更新非凸参数π1,π2:根据上次迭代结果 值的一阶梯度和二阶梯度自动选择合适的非凸参数,(6)更新正则化参数λ:根据上次迭代的 值的最大值和最小值为先验经验自适应的选取合适的正则化参数, 式中,r代表有限元剖分网格的平均长度,t为调节正则化参数的因子0<t<100;
(7)更新辅助变量v:
(8)更新辅助变量w:
(9)更新辅助变量z:
(10)更新电导率分布g:
为了提高计算效率和提高解的稳定性,采用快速傅里叶变换求解 子问题:T
式中,上标T是转置算子, 和AA是具有循环块结构的块循环矩阵;
(11)更新增广拉格朗日乘子α,β,和χ:
(12)判断迭代是否符合迭代终止条件 或者k>kmax,若是则迭代终止,进行下一步操作;若否,设置k=k+1继续迭代求解;
(13)根据最终求解所得电导率值 进行成像。