为避免扩散光学层析成像中L1正则项带来的有偏估计问题，提出一种基于凸非凸有限元的全变差（CNC-FETV）正则重构模型。首先，应用有限元方法将求解域剖分为有限个三角形，用一个连续分段多项式函数逼近每个三角形上的吸收系数值，再对导出的差分矩阵进行逐个单元组装，得到有限元的全变差（FETV）正则表示。然后，利用基于凸非凸稀疏正则的构造方法得到凸非凸有限元全变差正则项，并在理论上证明该非凸正则项在一定条件下可保持目标函数的整体凸性。最后，利用交替方向乘子法求解所提模型。数值实验表明，所提CNC-FETV模型在扩散光学层析成像重构的视觉效果和评价指标值上都要优于已有的Tikhonov和FETV正则模型。

非接触式扩散光学层析成像（Diffuse Optical Tomography，DOT）技术和传统DOT技术相比具有更高的空间采集密度，系统中探测器的动态范围对实验结果有很大的影响。通过仿真和实验研究了探测器动态范围过小对重建结果的影响，并提出了一种利用深度学习拓展探测器动态范围的方法。在NIRFSAT软件包中设置不同的吸收散射的仿体及入射光场参数，批量生成训练样本，搭建全连接网络进行模型训练，并利用该模型修复仿真和光学实验条件下探测器获得的数据。实验数据修复及重建结果表明，该模型修复了低动态范围探测器获得的数据，将探测器的动态范围从256扩展到10⁹。该方法能够有效地减小探测器动态范围过小带来的重建误差，为使用普通低动态范围探测器进行非接触式DOT提供了一种有效的技术解决方案。

针对荧光扩散层析成像中荧光光源的定位误差较大和形态学信息不完整的问题,提出一种基于组稀疏正则化的同时代数重建技术(GSR-SART)算法。该算法利用图像的非局部自相似性和局部稀疏性构造自适应相似组;然后,将相似组作为基本单元,学习自适应字典;最后,采用迭代收缩阈值算法求解目标函数。实验结果表明,所提算法在峰值信噪比和方均根误差的结果上比其他先进算法有较大的提升。

扩散光学层析成像(DOT)是一种利用近红外光来探测生物组织光学结构的低成本、无辐射损伤、成像深度深的在体光学功能性成像技术。由于生物组织体自身需满足强散射、低吸收以及成像空间分辨率高等需求,因此DOT重建的逆问题具有严重的病态特性。传统的逆问题解决办法主要是基于代数迭代的重建方法,随着人工智能的发展及大数据时代的到来,深度学习研究掀起了一个新高潮,基于深度学习网络模型的逆问题解决方法逐步被用于DOT重建过程中。通过梳理传统的DOT重建算法,重点综述了最新深度学习用于DOT重建的研究进展,旨在为本领域相关研究团队提供参考。

The concept of region of sensitivity is central to the field of diffuse optics and is closely related to the Jacobian matrix used to solve the inverse problem in imaging. It is well known that, in diffuse reflectance, the region of sensitivity associated with a given source–detector pair is shaped as a banana, and features maximal sensitivity to the portions of the sample that are closest to the source and the detector. We have recently introduced a dual-slope (DS) method based on a special arrangement of two sources and two detectors, which results in deeper and more localized regions of sensitivity, resembling the shapes of different kinds of nuts. Here, we report the regions of sensitivity associated with a variety of source–detector arrangements for DS measurements of intensity and phase with frequency-domain spectroscopy (modulation frequency: 140MHz) in a medium with absorption and reduced scattering coe±cients of 0.1 and 12 cm-1, respectively. The main result is that the depth of maximum sensitivity, considering only cases that use sourcedetector separations of 25 and 35 mm, progressively increases as we consider single-distance intensity (2.0 mm), DS intensity (4.6 mm), single-distance phase (7.5 mm), and DS phase (10.9 mm). These results indicate the importance of DS measurements, and even more so of phase measurements, when it is desirable to selectively probe deeper portions of a sample with diffuse optics. This is certainly the case in non-invasive optical studies of brain, muscle, and breast tissue, which are located underneath the superficial tissue at variable depths.

苹果组织内部的病变会导致其光学参数发生变化。 用频域近红外光学成像法（FD-DOT）对苹果组织进行吸收系数和约化散射系数的检测, 并结合三维重构技术得到的重构图像可以直观地了解苹果内部的病变情况, 从而实现对苹果内部病变的无损检测。 选择可最大程度区分苹果正常组织与病变组织所对应的波长为740 nm的光作为激光光源。 当FD-DOT的入射光调制频率不同、 苹果内部病变的程度不同、 病变位置和大小不同时, 会导致成像精度的变化, 设计了一系列模拟仿真实验研究以上因素对苹果内部病变检测精度的影响: 设定不同的激光调制频率, 研究调制频率对重构图像精度的影响; 在苹果模型中某一位置添加不同大小的球形病变, 研究病变区域大小对重构图像精度的影响; 在苹果模型中不同位置添加一定大小的异质体, 研究病变位置不同对重构图像精度的影响。 首先用Abaqus建立苹果有限元网格模型, 设计了12个740 nm的近红外激光光源和6个检测器均匀排布在苹果模型表面, 根据实验需要, 在组织体模型中添加代表病变的球形异质体, 用经过高频调制的光源照射进苹果, 检测出射光的交流幅度和相位延迟, 然后借助开源软件NIRFAST计算并反推出待测苹果内部的吸收系数和约化散射系数分布并进行三维重构, 重构结果可以用重构图像的吸收系数对比度噪声比（CNR值）和吸收系数分布图进行评价。 实验结果表明, 想要检测到尺寸较大苹果的深处病变, 需要较高的入射光调制频率; 该方法可以检测到大小适宜的苹果中大部分半径大于5 mm的球形病变区域, 且随着病变区域在一定范围内扩大, 重构图像的精度逐渐增加, 但病变区域过大时, 图像精度开始降低; 病变区域距离检测器越来越近时, 重构图像的精度逐渐增加, 但当病变区域与检测器距离过小时, 重构图像的精度有降低的趋势; 病变区域距离检测器平面的垂直距离越近, 重构图像的精度越高。 以上实验结果将为应用频域近红外光学成像法对苹果进行无损检测奠定良好基础。

功能近红外光谱成像已成为脑功能研究的首选手段。为得到高灵敏度、大动态范围以及高时间分辨率的成像系统, 开发了基于改进锁相光子计数的多通道近红外脑功能成像系统。光源模块由波长为785, 808, 830 nm的激光二极管(各16个)组成, 调制方波的频率间隔为252 Hz; 探测模块包括9个光子计数式光电倍增管。该系统结合了单光子计数技术的超高灵敏度与方波调制模式数字锁相检测的简易并行性, 测量线性相关系数可达0.9989, 信道间的串扰可忽略不计, 具有较强的抗干扰能力和准确的空间定位能力。

为降低近红外脑功能漫射光断层成像(DOT)固有的逆问题病态性, 并避免多模态方法的图像配准等问题, 提出了基于光学自导引提供先验功能信息的脑功能DOT方法(OT-DOT), 并发展了图像重构方法.模拟验证表明: 上皮厚度(TLT)已知时, OT-DOT获得的重构量化度(QR)约为传统DOT的4.2倍; 当TLT的估计误差小于±10%时, OT-DOT重构的QR值可达92%以上, 远远优于传统DOT; 噪声鲁棒性测试表明, OT-DOT与传统DOT的噪声鲁棒性相近.利用连续光DOT测量系统的仿体实验重构结果表明, 所发展的OT-DOT算法获得的重构结果优于传统DOT算法.

在乳腺扩散光学层析成像中，L1-范数正则化的引入大幅改善了重建图像的质量，但目标函数的不可导性使得最优化过程异常困难。提出了一种新的基于非负约束L1-范数正则化的重建方法。非负先验信息的引入使得目标函数的一阶梯度变得简单易求，最优化过程得以简化和加速。数值模拟和仿体实验均表明，相对于传统正则化重建方法，该方法可简单、快速地获得更高质量的重建图像。