一种基于深度学习的磁感应断层成像优化方法技术

一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：1)获取数据，通过实验装置设备采集牛顿‑拉夫逊MIT电导率分布图；2)数据处理，根据物场内导体所处的位置和形状得出真实电导率图；3)构建Deep‑MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；4)将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。本发明专利技术解决了传统磁感应断层图像重构中图像精度不高的问题，改善了图像中的伪影，且抗噪性强，降低对成像系统抗噪性的要求，成像速度快。

An optimization method of magnetic induction tomography based on depth learning

【技术实现步骤摘要】
一种基于深度学习的磁感应断层成像优化方法
本专利技术属于生物医学成像
，涉及深度学习、图像重建，特别是涉及一种基于深度学习的磁感应断层成像优化方法。
技术介绍
医学磁感应断层成像技术(MageneticInductionTomography，MIT))最早于1993年被正式报道，在静态固体和生物组织上都有研究。MIT技术与电阻抗成像(ElectricalImpedanceTomography，EIT)、电容成像(ElectricalCapacitanceTomography，ECT)和静磁场磁导率成像一起被归为被动成像技术。1968年以来，针对生物组织的磁感应应用的研究就已经开展，包括肺组织检测成像、脑组织成像、中风相关疾病检测以及肝组织检测等等。MIT是一种非接触、无创的以人体电导率分布或其变化为成像目标的阻抗成像技术，是生物电阻抗成像研究的一个重要分支，它的基本原理是涡流检测，检测处于交变磁场中的物体内部电导率分布变化所导致的涡流感性信号的变化，并通过重构算法得到目标物内部电导率分布情况。MIT不但具有电阻抗成像EIT技术无创、无害、可实时动态成像等特点，而且由于其检测方式的非接触性，还能够避免使用体表电极带来的接触阻抗、电极摆放位置误差等问题，并适用于人体有外伤不能贴电极而需要检测或监测的各类伤病员。是人体内出血监测的适宜技术，比EIT具有更广阔的应用前景。MIT图像重构算法是通过已知边界次级磁场重构电导率分布，常用的成像算法有反投影算法和牛顿迭代算法两种，由于数据采集系统的精度问题，实际应用中多采用差分成像的方式，即对前后两个状态下的测量数据的差值进行成像，以消除部分系统误差，Newton-Raphson算法就是采用差分成像的方式，然而MIT图像重建过程是高度的非线性的不适定逆问题，可参考文献(MerwaR,HollausK,BrunnerP,etal.Solutionoftheinverseproblemofmagneticinductiontomography(MIT)[J].PhysiologicalMeasurement,2005,26(2):S241-S250.)，Newton-Raphson算法在计算局部最优解的过程容易导致局部最小化问题的发生，使得图像出现严重失真。现代医学影像诊断技术是医学物理学领域中的一个重要分支，在对患者疾病的诊断起着重要的辅助作用。因此，需要对MIT图像重构进行更深入和更广泛的研究，提高图像重构的质量和精度。
技术实现思路
为了克服现有重建图像的精度不高的不足，本专利技术提供了一种改善低质量图像的基于深度学习的磁感应断层成像优化方法，该方法结合Newton-Raphson算法和神经网络来产生高质量的清晰的MIT电导率分布图像。本专利技术解决其技术问题所采用的技术方案如下：一种基于深度学习的磁感应断层成像优化方法，包括以下步骤：S1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；S3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。进一步，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置为圆形物场，在此圆形区域内划分749个坐标，将以两个不同直径的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型，通过实验装置的图像重构模块得到牛顿-拉夫逊电导率分布图，保存为PNG格式。考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。再进一步，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿-拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿-拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。所述步骤S3中，包括以下步骤：S3-1：构建Deep-MIT生成对抗网络的生成网络，借鉴U-Net的结构，生成网络包含一个用于捕捉上下文语义信息的收缩路径(contractingpath)和一个用于精准定位的扩展路径(expandingpath)，是一个端到端的网络，将源域图像xi作为网络的输入，首先经过卷积核尺寸为5*5的无填充卷积，每次卷积后都经过ReLU函数作用，以及尺寸为2*2，步长为2的maxpooling来进行降采样，每次降采样，featuremap变为原来的一半，channels变为原来的2倍，重复该步骤4次；而后进入扩展路径，经过5*5的反卷积，反卷积的outputchannels为原先的一半，featuremap的长和宽加倍，再进行跳跃连接层方法，即将i层直接与第n-i层通过通道串接，n为总的层数，合并层会导致平移不变性，这对于减少重建过程中的位置偏差非常重要，最后经过两个尺寸为5*5的卷积及经过ReLU作用，重复该扩展网络步骤4次，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi；S3-2：构建Deep-MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿-拉夫逊MIT电导率分布图为对应图。因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函数如下：LGAN(G,D)＝Ex,y[logD(x,y)]+Ex[log(1-D(x,G(x)))]其中x表示源域图像，y表示真实图像，G(x)为生成图像，D(x,y)表示判别网络判断真实图片是否真实的概率，而D(x,G(x))是判别网络判断生成网络生成的图片是否真实的概率；另外加入了L1损失用来保证输入图像与输出图像之间的相似度，选择L1距离，是因为相比于L2，L1距离产生的模糊更小，L1损失函数如下：LL1(G)＝Ex,y[||y-G(x)||1]S3-3：Deep-MIT网络的生成网络和判别网络交替训练，使用Adam优化器，不但存储了过去梯度的平方vt的指数衰减平均值，也保持了过去梯度mt的指数衰减平均值：mt＝β1mt-1+(1-β1)gt如果mt和vt被初始化为0向量，那它们就会向0偏置，所以做了偏差校正，通过计算偏差校正后的mt和vt来抵消这些偏差：梯度更新规则：超参数设定值，β1＝0.9，β2＝0.999，∈＝10e-8，整个Deep-M本文档来自技高网...

【技术保护点】
1.一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述方法包括以下步骤：/nS1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；/nS2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；/nS3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；/nS4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。/n

【技术特征摘要】
1.一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述方法包括以下步骤：
S1：获取数据，通过实验装置设备采集牛顿-拉夫逊MIT电导率分布图；
S2：数据处理，根据物场内导体所处的位置和形状得出真实电导率图；
S3：构建Deep-MIT生成对抗式网络，使用样本数据集训练网络，得到输入图与真实电导率分布图之间的非线性映射关系；
S4：将测试集中的数据通过训练过的网络生成对应的深度电导率分布图。


2.如权利要求1中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S1中，实验装置采用16通道的复用线圈MIT数据采集系统，实验装置为圆形物场，在此圆形区域内划分749个坐标，将以两个不同直径的实心橡胶棒的圆心为中心，分别放置于各个坐标点上，共有1498种电导率分布模型，通过实验装置的图像重构模块得到牛顿-拉夫逊电导率分布图，保存为PNG格式，考虑到实验装置中噪声对成像的影响，每个坐标采集20帧数据图片，并只选取第15帧的数据作为有效数据，共采集6个周期，即每种电导率分布模型有6个不同数据。


3.如权利要求1或2中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S2中，根据物场区域内目标物所处的位置和形状，得到每种电导率分布模型对应的真实电导率分布图，作为对应牛顿-拉夫逊电导率分布图的条件标签，将所有的数据图片进行预处理，转换成256*256的尺寸，这样有利于加快卷积神经网络的训练，有利于提高模型的精度，按照9：1的比例将数据集划分为训练集和测试集，训练集{xi,yi}i，xi表示第i对数据中由牛顿-拉夫逊算法得出的MIT电导率分布图，yi表示第i对数据中的真实电导率分布图。


4.如权利要求1或2中所述的一种基于深度学习的磁感应断层成像优化方法，其特征在于，所述步骤S3包括以下步骤：
S3-1：构建Deep-MIT生成对抗网络的生成网络，借鉴U-Net的结构，生成网络包含一个用于捕捉上下文语义信息的收缩路径(contractingpath)和一个用于精准定位的扩展路径(expandingpath)，是一个端到端的网络，将源域图像xi作为网络的输入，经过生成网络，生成器生成出近似目标域y的图像G(xi)，使得G(xi)≈yi；
S3-2：构建Deep-MIT生成对抗网络的判别网络，判别网络的任务与传统的生成对抗网络不同，不仅需要对由生成网络生成的图片和真实电导率图判断真假，还需判断该图片是否与输入的牛顿-拉夫逊MIT电导率分布图为对应图，因此将输入的电导率图与生成图像、真实的电导率图分别在第3通道进行拼接，然后一起作为输入判别器，其损失函...

【专利技术属性】
技术研发人员：宣琦，袁琴，陈科，孙翊杰，翔云，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33