The present invention relates to a method of electrical impedance image reconstruction based on void convolution network, which includes the following steps: extracting the lung shape and the contour shape of the thorax from the existing human thoracic image set, obtaining the binary image of the lung and thorax; establishing the corresponding EIT simulation model including sensor model and the contents to be measured according to the binary image, and using the contour shape of the thorax. In the establishment of sensor model, the shape of lung is used to establish the content of a certain conductivity; considering the model error, data enhancement is carried out on the basis of EIT simulation model; solving the forward problem of simulation model after the previous step, obtaining the boundary measurement voltage needed for image reconstruction, establishing CNN model, measuring voltage and chest binary image as the input of CNN model, and taking the lungs map to be measured as the input of CNN model. As the output of CNN model.
【技术实现步骤摘要】
基于空洞卷积网络的电阻抗图像重建方法
本专利技术属于电阻抗层析成像
，涉及构建网络训练数据集以及基于空洞残差网络的电阻抗成像网络。
技术介绍
电阻抗层析成像(ElectricalImpedanceTomography简称EIT)是一种非侵入式的成像技术，它通过场域的边界测量值重建出场域内部的电导率分布。相比其它成像技术如计算机断层扫描(ComputedTomography,简称CT)和核磁共振成像(MagneticResonanceImaging简称MRI)，EIT有着无辐射、结构简单、速度快等优点，在医学临床监测、多相流流型监测以及地址勘探等领域有着广阔的发展前景。然而，由于EIT固有的“软场”特性，其重建图像往往分辨率较低，并且受测量误差和模型误差影响较大，这限制了EIT技术的进一步推广。EIT的“软场”的特性在数学上表现为逆问题的非线性和病态性。传统重建算法通过线性化的方法进行近似和减小模型误差的影响，并引入正则化项来减弱逆问题的病态性。最近，一些直接非线性的重建算法被提出，比如level-set、D-bar等，而基于神经网络的重建算法也属于此类。近几年来，伴随着深度学习在计算机视觉和图像处理领域的迅速发展和广泛应用，众多深度网络特别是卷积神经网络(ConvolutionalNeuralNetwork简称CNN)也纷纷被引入到医学成像领域中来。这些数据驱动的新型成像技术被视为医学成像领域继解析法、迭代法后的第三个发展阶段，它们利用由大量数据训练好的网络，来补充或代替传统成像算法中人为定义的模型，将大数据内在的信息自动地融入到成像过程中。其中一种...
【技术保护点】
1.一种基于空洞卷积网络的电阻抗图像重建方法，包括下列步骤：步骤一：从已有的人体胸腔影像图像集中提取待测肺部形状和胸腔轮廓形状，得到肺部和胸腔的二值图像；步骤二：根据二值图像建立相应的包括传感器模型和待测内含物在内的EIT仿真模型，胸腔轮廓形状用于建立传感器模型，肺部形状用于建立一定电导率的内含物；步骤三：考虑模型误差，在EIT仿真模型基础上进行数据增强，操作步骤如下：[1]传感器模型中的每个电极会发生一定的随机移动，以此来模拟实际贴电极时的位置偏差；[2]对每一组仿真电压随机加入一定的高斯噪声，以此模拟实际测量系统的噪声；[3]仿真模型中的肺部内含物会根据实际测量中待测对象可能出现的情况作相应的变化，得到经过数据增强后的待测肺部图像；步骤四：求解上一步骤处理后的仿真模型正问题，得到图像重建所需的边界测量电压，建立CNN模型，测量电压和胸腔二值图像作为CNN模型的输入，上一步骤中[3]处理后的待测肺部图像作为CNN模型的输出；CNN模型主要包括两部分：可学习预重建器，用来得到一个预重建结果，实现输入数据从传感器信号域到图像域的转换；图像后处理网络，接受预重建器的输出图像，还输入胸腔轮廓...
【技术特征摘要】
1.一种基于空洞卷积网络的电阻抗图像重建方法，包括下列步骤：步骤一：从已有的人体胸腔影像图像集中提取待测肺部形状和胸腔轮廓形状，得到肺部和胸腔的二值图像；步骤二：根据二值图像建立相应的包括传感器模型和待测内含物在内的EIT仿真模型，胸腔轮廓形状用于建立传感器模型，肺部形状用于建立一定电导率的内含物；步骤三：考虑模型误差，在EIT仿真模型基础上进行数据增强，操作步骤如下：[1]传感器模型中的每个电极会发生一定的随机移动，以此来模拟实际贴电极时的位置偏差；[2]对每一组仿真电压随机加入一定的高斯噪声，以此模拟实际测量系统的噪声；[3]仿真模型中的肺部内含物会根据实际测量中待测对象可能出现的情况作相应的变化，得到经过数据增强后的待测肺部图像；步骤四：求解上一步骤处理后的仿真模型正问题，得到图像重建所需的边界测量电压，建立CNN模型，测量电压和胸腔二值图像作为CNN模型的输入，上一步骤中[3]处理后的待测肺部图像作为CNN模型的输出；CNN模型主要包括两部分：可学习预重建器，用来得到一个预重建结果，实现输入数据从传感器信号域到图像域的转换；图像后处理网络，接受预重建器的输出图像，还输入胸腔轮廓图像来指导减小模型误差；所构造的可学习预重建器表达式为式中J为传...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。