滑动高斯球自适应增长 (SlingBAG)：基于点云的大规模 3D 光声成像迭代算法
计算机视觉与模式识别
2024-11-06 v3
摘要
大规模 3D 光声 (PA) 成像在临床和前临床应用中日益重要。受制于成本和系统复杂度，仅能实施稀疏分布传感器系统，这需要先进的重建算法以减少伪影。然而，传统迭代重建 (IR) 算法的高计算内存和时间消耗在大规模 3D PA 成像中是实际不可接受的。本文提出一种基于点云的 IR 算法，通过数个数量级降低内存消耗，其中 3D PA 场景被建模为一系列高斯分布球形源，以点云形式存储。在 IR 过程中，不仅优化每个高斯源的属性，包括其峰强度 (初始压强值)、标准差 (大小) 和均值 (位置)，而且每个高斯源本身沿梯度方向自适应地发生破坏、分割和复制。这一方法称为滑动高斯球自适应增长 (SlingBAG) 算法，实现了快速迭代和极低内存使用的高质量大规模 3D PA 重建。我们在模拟研究和体内动物实验中验证了 SlingBAG 算法。SlingBAG 的源代码和数据， along with 补充材料和演示视频，现已在以下 GitHub 仓库中提供：https://github.com/JaegerCQ/SlingBAG。
引用
@article{arxiv.2407.11781,
title = {Sliding Gaussian ball adaptive growth (SlingBAG): point cloud-based iterative algorithm for large-scale 3D photoacoustic imaging},
author = {Shuang Li and Yibing Wang and Jian Gao and Chulhong Kim and Seongwook Choi and Yu Zhang and Qian Chen and Yao Yao and Changhui Li},
journal= {arXiv preprint arXiv:2407.11781},
year = {2024}
}
备注
Added SlingBAG reconstruction of rat kidney and rat liver results; updated methods; added references