基于深度学习的肿瘤光声图像快速重建方法及装置制造方法及图纸

本发明专利技术实施例提供基于深度学习的肿瘤光声图像快速重建方法及装置，方法包括：通过k‑Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，通过光声实验补充实验数据集；构建端到端的SEU‑Net；采用预训练策略及有监督的学习方法在肿瘤光声仿真数据集和实验数据集上递进式训练SEU‑Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；将目标肿瘤的初始光声信号图输入肿瘤光声图像重建模型，输出重建后的高质量肿瘤光声图像。可实现基于稀疏采样的快速、高质量的肿瘤光声图像重建。

Fast reconstruction method and device of tumor photoacoustic image based on deep learning

【技术实现步骤摘要】
基于深度学习的肿瘤光声图像快速重建方法及装置
本专利技术涉及计算机
，尤其涉及一种基于深度学习的肿瘤光声图像快速重建方法及装置。
技术介绍
光声成像作为一种新兴的医学影像技术，有机地结合了光学成像和声学成像的特点，可以提供深层组织的高分辨率和高对比度的组织断层图像。光声成像融合了超声成像高空间分辨率，光学成像高对比度、光谱特异性等优点，突破了光学散射造成的成像深度“软极限”，具有非入侵、高分辨、高对比、深穿透、多模态等成像特点，能够获得肿瘤结构和功能的全面信息。但是，光声信号全采样因数据量过大会带来采集装置、信号传输、图像重建时间等成本的剧增，因此实际中的光声信号采集模式均为稀疏采样。采样数据的稀疏性以及噪音的干扰，使得对信号质量要求较高的传统迭代重建算法，极易产生含有欠采样伪影的低质量重建图像，丢失结构生理等细节信息，影响后续的图像分析；而且缓慢的成像速度，严重制约了实时成像的实现。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种基于深度学习的肿瘤光声图像快速重建方法及装置。本本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肿瘤光声图像快速重建方法，其特征在于，包括：/n通过k-Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，并通过光声实验补充实验数据集；/n构建端到端的卷积神经网络模型SEU-Net；/n采用预训练策略及有监督的学习方法，在所述肿瘤光声仿真数据集和所述实验数据集上递进式地训练所构建的SEU-Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；/n将目标肿瘤的初始光声信号图输入训练好的肿瘤光声图像重建模型，输出重建后的目标肿瘤的高质量...

【技术特征摘要】
1.一种基于深度学习的肿瘤光声图像快速重建方法，其特征在于，包括：
通过k-Wave工具箱和迭代重建算法，获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，并通过光声实验补充实验数据集；
构建端到端的卷积神经网络模型SEU-Net；
采用预训练策略及有监督的学习方法，在所述肿瘤光声仿真数据集和所述实验数据集上递进式地训练所构建的SEU-Net，依次实现迭代重建算法重建图像到高质量标签图像、初始光声信号图到高质量标签图像的重建任务，得到训练好的肿瘤光声图像重建模型；
将目标肿瘤的初始光声信号图输入训练好的肿瘤光声图像重建模型，输出重建后的目标肿瘤的高质量图像，作为重建后的高质量肿瘤光声图像。


2.根据权利要求1所述的基于深度学习的肿瘤光声图像快速重建方法，其特征在于，所述获取稀疏采样下，不同数量、形状、大小、位置、光吸收系数及信噪比的肿瘤光声仿真数据集，包括：
以预设图像分辨率，依据光声成像原理，在k-Wave中模拟环阵、阵列式探头稀疏采样过程；
在所述环阵、阵列式探头的扫描区域内，随机生成预设数量个肿瘤仿体，随机设定所述肿瘤仿体的形状、大小、位置、光吸收系数及信噪比，每随机生成一组肿瘤仿体，通过k-Wave保存当前肿瘤仿体的初始光声信号图、对应的经迭代重建算法重建后的含有严重欠采样伪影的低质量光声图像、对应的高质量标签图像，作为当前肿瘤仿体的数据；
将随机生成的所有肿瘤仿体的数据组成肿瘤光声仿真数据集，将所述肿瘤光声仿真数据集中的数据按预设比例分为训练集和测试集。


3.根据权利要求1所述的基于深度学习的肿瘤光声图像快速重建方法，其特征在于，所述通过光声实验补充实验数据集，包括：
获取以琼脂仿体及种有肿瘤的小鼠作为实验对象进行阵列探头实验、所保存的初始光声信号图和经迭代重建算法重建后的低质量光声图像，以及获取以所述琼脂仿体及种有肿瘤的小鼠作为实验对象进行环阵探头实验、所保存的经迭代重建算法重建后的图像，作为高质量标签图像；
将阵列探头实验所保存的初始光声信号图、低质量光声图像和环阵探头实验所保存的高质量标签图像组成实验数据集，
将所述实验数据集中的数据按预设比例补充到所述训练集和所述测试集中。


4.根据权利要求1所述的基于深度学习的肿瘤光声图像快速重建方法，其特征在于，所构建的端到端的卷积神经网络模型SEU-Net，包括：左侧的特征提取模块、右侧的特征重组模块、中间的压缩激发模块和残差输出模块；
所述特征提取模块，由4组特征提取子单元串联构成，所述特征提取子单元包括两个连续的卷积块和一个大小为2×2且步长为2的最大池化层，所述特征提取子单元中的卷积块包括大小为3×3且步长为1的卷积层、批标准化层、LeakyReLU激活函数三部分，每经过一个所述特征提取子单元，特征图尺寸减半，深度加倍；
所述特征重组模块，由4组特征重组子单元串联构成，所述特征重组子单元包括一个大小为2×2且步长为2的反卷积层和两个连续的卷积块，所述特征重组子单元中的卷积块包括大小为3×3且步长为1的卷积层、批标准化层、LeakyReLU激活函数三部分，每经过一个所述特征重组子单元，特征图尺寸加倍，深度减半；
所述压缩激发模块，以所述特征提取子单元的第二个卷积块的输出特征图作为输入，首先通过全局平均池化压缩为一维向量，然后依次通过全连接层1降维、ReLU非线性激活、全连接层2升维、Sigmoid非线性激活，获得一组与输入的特征图深度相同的一维概率向量，所述概率向量用于表征输入的特征图的重要性，最后，所述概率向量与输入的特征图对应相乘，经过一个卷积块进行跨通道信息整合后，与对应的所述特征重组子单元的反卷积层的输出在深度维度上进行拼接，其中所述压缩激发模块中的卷积块包括大小为1×1且步长为1的卷积层、批标准化层、LeakyReLU激活函数三部分；
所述残差输出模块，将最后一个所述特征重组子单元的输出作为所述压缩激发模块的输入，通过所述压缩...

【专利技术属性】
技术研发人员：孙明健，刘子超，杨西斌，刘广兴，马立勇，刘旸，马一鸣，刘志强，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东;37